常有人詢問FinLab如何取得AI量化交易學習資源以持續精進？
除了 Google Scholar 看論文，Github 更是寶庫，下對關鍵字 ( ex:algorithmic-trading,quantitative-trading )，找對開源者能站在巨人的肩膀上，節省開發的時間並發現新世界。
今天來介紹科技巨頭「微軟」佛心開源的 Python AI 導向的量化投資框架～Qlib (Github)，從資料流(美、中股市)、建模流程、策略風控數據分析應有盡有，一條龍處理量化投資的工作。
Qlib 特色
AI 演算法模型
Qlib 最有價值的地方在降低了使用 AI 演算法的門檻，目前套件有十幾個AI演算法在股票交易下的應用範例，許多都是新穎的演算法，內容深度高。模型程式都已模組化，只要調整資料格式和參數。
不少Self-attention的架構，乾貨滿滿，像是TRA (Temporal Routing Adaptor) 將LSTM做延伸，讓模型去學習多策略風格，捕捉近期市場主流門派。
Github上除了提供程式碼，也附上相關paper在qlib/examples/benchmarks中，資源整理的很充分，供開發者參考，除了輕鬆 Fork外，也可以精進演算法內涵。
特徵資料集
AI 訓練的第一步是準備特徵資料集，要生成好的特徵並沒想像容易。可能䢎開發者多為中國人有關，Qlib 基於中國股市 (滬深300) 建構 Alpha360 and Alpha158 兩種資料集範例，可參考官方程式來生成特徵集。
Workflow 架構
workflow layer處理模型的訓練與回測過程，尋找獲利因子Alpha和風險因子，之後進入資產配置、選股、下單的決策階段。
另一個好用的是的Recoder流程管理器，用來管理與儲存紀錄模型的訓練過程、結果。AI模型有時訓練時間長，不能及時的看到結果，有時還有其他原因中斷訓練，那此時可使用Recoder恢復並繼續之前的訓練，不需要從頭開始。
結論
Qlib Framework 架構值得 作為 FinLab 下一代的開發參考，尤其是ML WorkFlow 的部分是目前FinLab平台比較欠缺的，或是將台股資料應用到 Qlib 模型也值得來整合。
一個好的repo，除了 Star 和 Fork 數，commit history 也是指標，更新頻率看起來有積極維護，持續補充新的模型和技術進來，值得追蹤～
