QLib 微软开源的量化投资平台，
其核心概念和术语体系设计得非常精妙，
旨在将量化研究的全流程进行标准化和模块化

一、 核心数据模型
这是 QLib 的基础，所有研究都围绕这些数据展开 

Instrument （标的/证券） 
泛指可交易的投资对象，如股票、ETF、期货、指数等 
在 QLib 的示例数据中，通常指 A 股市场的股票 

关键属性： 唯一标识符 symbol（例如，sh600000 代表浦发银行） 

Feature （特征）
从原始数据中提取的、用于模型训练的变量 通常是列 

 
Ref($close, -1)（前一日收盘价）、
($high - $low) / $close（日内振幅）、
Mean($volume, 5)（5日平均成交量）

来源： 
可以是基础行情数据（OHLCV），也可以是复杂的表达式计算得到 

Expression （表达式）
QLib 强大的核心特性之一， 用于动态计算 Feature 的引擎 
提供了一套 DSL（领域特定语言），支持运算符、函数、时间序列计算等 

示例： 
Mean(($high - $low) / $close, 5) 表示计算过去5日的平均振幅 
表达式是惰性求值的，只在需要时才进行计算，极大提高了效率 

Dataset （数据集）
用于训练或评估模型的核心数据结构 
它是 Instrument、Feature 和 Time 的三维立方体 

组成：

数据： 
一个三维的 pandas.DataFrame，
其索引通常是多层索引 (pd.Timestamp, instrument) 

列： 包含所有的特征 feature 以及可选的标签 label 
作用： 是连接数据处理和模型训练的桥梁 


二、 研究流程模块
QLib 将经典量化流程分解为以下几个可配置的组件：
DataHandler （数据处理器）
含义： 
负责从数据源加载原始数据，
并通过 ExpressionEngine 计算表达式，最终生成供模型使用的 Dataset

关键配置：
features: 定义需要计算的特征（X）
labels: 
定义预测目标（y），通常也是一个表达式，
例如 Ref($close, -5) / $close - 1 表示未来5日的收益率


Model （模型）
含义： 
机器学习/深度学习模型本身 
QLib 对模型进行了抽象，使其可以与流程的其他部分解耦

类型：
内置模型： 如 LightGBM、MLP、LSTM、Transformer 等

自定义模型： 
用户可以实现自己的模型，只需继承 Model 基类并实现 fit 和 predict 方法 

Strategy （策略）
根据模型的预测结果，生成具体交易指令的模块 
它定义了如何将预测信号转化为投资组合权重

输入： 模型的预测值（例如，每只股票未来的预期收益率） 

输出： 一个目标持仓权重字典 {instrument: weight} 

示例策略： 
TopK 策略（买入预测收益率最高的K只股票，等权重或按分数加权）


Backtest （回测）
模拟策略在历史数据上执行的过程，以评估其表现 

核心组件：
Executor （执行器）： 
模拟交易执行，考虑手续费、滑点、市场流动性（成交量限制）等市场摩擦因素

Portfolio （投资组合）： 
记录回测过程中的账户状态，包括现金、持仓、总资产等

Record （记录）
一个实验的所有输出，包括模型、预测结果、策略信号、回测报告和绩效指标 
QLib 使用 Recorder 对象来自动化管理这些记录，便于复现和比较 

三、 工作流与关键术语
Task （任务）
将上述所有模块组合在一起的一个完整配置单元 
一个 Task 定义了一次完整的“数据准备 -> 模型训练 -> 预测 -> 回测”流程 

实现方式： 
通常通过一个 task_config.yaml 或 task_config.json 文件来配置 

Workflow （工作流）
QLib 驱动 Task 执行的引擎 
它按照预定的顺序（训练 -> 预测 -> 回测 -> 分析）自动化地运行整个流程 

使用： 用户通过 qrun task_config.yaml 命令启动工作流 

Quant （研究员/分析师）
在 QLib 的在线学习模式 qrun 中，指代执行整个研究流程的主体 
它包含了模型、策略等所有组件 



四、 高级与支持性概念
AutoML / AutoHPS （自动机器学习/超参数搜索）
QLib 集成了自动化工具，
可以自动进行特征工程、模型选择、超参数优化，以寻找最优的预测模型 

Market & Calendar （市场与日历）
定义了交易市场的时间序列，用于数据对齐和回测的时间推进 
例如，ChinaStock 日历会排除中国的非交易日 

Filter （过滤器）
在构建股票池时，用于筛选标的的规则 
例如，剔除ST股、次新股、停牌股等 
通常在 DataHandler 的 instruments 配置中指定 



核心关系总结
可以将 QLib 的流程想象成一个量化流水线：

数据源头
→ DataHandler （加载数据，计算表达式，产出 Dataset）
→ Model （在 Dataset 上训练，学习特征与标签的关系）
→ Model 预测新的 Dataset，产出预测值
→ Strategy （将预测值转化为交易权重）
→ Backtest 的 Executor （模拟执行交易）
→ Portfolio （生成净值曲线和持仓记录）
→ Analysis （计算夏普比率、最大回撤等绩效指标）


QLib 示例配置文件 task_config.yaml
每一部分对应着上述的某个模块，整个框架变得非常清晰