定量投资的目的是使有一系列金融工具，在连续交易期间内，实现最大化回报，并将风险最小化。受AI技术的快速发展和巨大潜力的启发，该技术在定量投资方面产生了显著的创新，因此越来越多地采用AI驱动的工作流程进行定量研究和投资。在丰富定量投资方法的同时，人工智能技术对定量投资系统提出了新的挑战。人工智能技术的数据驱动特性确实表明对具有更强大性能的基础架构的需求。为了解决这些挑战并弥合AI技术与定量投资之间的差距，微软研究院设计和开发了Qlib，旨在创造AI技术在定量投资中的价值。
定量投资已是最热门的研究领域之一，已经吸引了学术界和金融业的众多才华。传统的定量投资通常将整个工作流程分为几个子任务，包括：股票趋势预测、投资组合优化等，而AI技术则使建立端到端解决方案并生成最终解决方案成为可能。
下面，我来给大家盘点一下Qlib的主要特点：
1、面向AI的框架
Qlib旨在为用户提供平台而不是工具箱。下图是Qlib的模块和典型工作流程
2、高性能基础架构
Qlib提供了一个时间序列平面文件数据库。数据库提供了一个表达式引擎，可以加速因子/特征的实现和计算，从而使依赖于表达式计算的研究课题成为可能。用户可以仅通过一系列简单表达式轻松构建数据集。
3、缓存系统
Qlib提供了两种磁盘缓存策略：
（1）表达式缓存，用于节省表达式计算时间；
（2）数据集缓存，可节省数据组合时间
4、超参数调整引擎（HTE）
大多数机器学习算法，超参数优化是实现更好泛化的必要步骤。但超参数需要花费很多精力。Qlib提供了一个超参数调整引擎来简化此任务。 HTE提供了一个界面，用于定义超参数搜索空间，然后自动搜索最佳超参数。
5、配置驱动的管道引擎（CDPE）
用一个简单的配置文件来定义工作流程。还可以通过构建基础代码块来简化定量研究工作流程。
6、不同存储解决方案的性能比较
说明：E为表达式缓存，D为数据集缓存，+为使用缓存，-为不使用缓存
