LLM Wiki

Microsoft Qlib — AI-oriented Quant Investment Platform

Properties2
descriptionQlib은 양적 투자 리서치와 실행을 한곳에서 연결하는 AI 지향 오픈소스 퀀트 플랫폼이다.
tagsai-agents, open-source, python, microsoft, research

8 min read

Microsoft의 AI 지향 양적 투자 플랫폼. 최신 안정판은 v0.9.7(2025-08-15)이고, README는 RD-Agent를 전면에 둔 R&D 자동화 축을 강조한다.

개요

Qlib은 양적 투자 리서치와 실행을 한곳에서 연결하려는 오픈소스 플랫폼이다. GitHub API 기준 2026-08-18 시점에 main 브랜치, 47,689 stars, 7,561 forks, 478 open issues를 유지하고 있다. README 기준으로 supervised learning, market dynamics modeling, reinforcement learning을 지원하며, 실험 단계부터 생산 단계까지 이어지는 workflow를 강조한다.

현재 README는 RD-Agent 통합을 전면에 두고 있다. 즉, Qlib는 단순한 백테스트 프레임워크가 아니라, 자동 팩터 마이닝과 모델 최적화까지 넘보는 연구 자동화 허브로 확장되는 중이다.

현재 상태

  • 최신 릴리스는 v0.9.7이며 2025-08-15에 공개됐다. 이후 공식 릴리스는 없다.
  • 릴리스 노트는 parquet 데이터 지원(#1966), MLflow 설정의 pydantic-settings 전환(#1962), BaseDataHandler 통합(#1958), 데이터 헬스 체커(#1574), MacOS LightGBM 설치 개선(#1980) 등을 포함한다.
  • pushed_at은 2026-07-23T08:15:29Z다 — feat(config): add explicit validation for required configuration fields (#2078).
  • 최근 커밋 흐름은 신기능보다 보안·안정성 하드닝에 집중돼 있다 (아래 참고).
  • README와 릴리스 모두 Qlib를 RD-Agent와 함께 읽어야 현재 방향이 보인다.

아키텍처

공식 문서는 4개 레이어로 설계를 설명한다:

레이어구성 요소
InfrastructureDataServer(고성능 데이터 관리·조회), Trainer(학습 과정 제어)
Learning FrameworkForecast Model + Trading Agent 학습 — supervised / RL 두 패러다임
WorkflowInformation Extractor → Forecast Model(알파·리스크 신호) → Decision Generator → Execution Env; 전략/실행기가 여러 레벨로 중첩(nested) 가능
InterfaceAnalyser(신호·포트폴리오·실행 결과 분석 리포트)

컴포넌트는 느슨하게 결합(loose-coupled)되어 각각 단독 사용이 가능하다.

데이터 레이어

  • 전용 .bin 포맷 (과학 컴퓨팅에 최적화된 컴팩트 저장).
  • 데이터 서버 성능 비교: 동일 작업(800종목 OHLCV → 14 features)에서 Qlib +E +D 7.4±0.3초 vs HDF5 184.4±3.7초 — 일반 DB 대비 압도적 속도.
  • 제공 데이터셋: Alpha158(인간 feature engineering 기반 테이블형), Alpha360(raw 가격·거래량, 시공간 관계 보존) — 미국/중국 시장 모두 지원.
  • 1분 고빈도(high-frequency) 데이터 파이프라인과 백테스트 예제 제공.
  • scripts/dump_bin.py로 CSV/Parquet → .bin 변환, yahoo/baostock 등 데이터 수집기, check_data_health.py 데이터 건강 검사.
  • 오프라인(로컬) / 온라인(공유 데이터 서버, Qlib-Server) 두 모드 지원.

Quant Model (Paper) Zoo

examples/benchmarks/에 25+개 모델이 CSI300·Alpha158/360에서 IC/ICIR/Rank IC/연환산수익률로 비교된다.

  • Alpha158 기준 최상위: DoubleEnsemble(IR 1.34, 연수익 0.1158), LightGBM, MLP, CatBoost, XGBoost, TRA 등.
  • Alpha360 기준 최상위: HIST(IR 1.37), IGMTF, TCTS, TRA, GATs, AdaRNN 등 시계열/그래프 계열.
  • 최신 추가 모델: KRNN, Sandwich(2023-05), TCN, TabNet, Transformer/Localformer, SFM, ALSTM, ADD, TFT, TCTS, AdaRNN, DDG-DA 등.
  • 각 모델은 단일 명령으로 재현 가능 — qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml.

RL 프레임워크 (QlibRL)

  • 주문 실행(order execution): TWAP / PPO(End-to-End Optimal Trade Execution, IJCAI 2020) / OPDS(Universal Trading for Order Execution, AAAI 2021) — 단일·멀티 에셋.
  • 포트폴리오 구성: 주식·암호화폐·FX 시나리오의 자산 배분 학습.
  • NestedExecutor 지원 — 포트폴리오 전략과 주문 실행 전략을 함께 최적화.

Market Dynamics

  • 금융 시장의 비정상성(non-stationarity) 대응이 공식 도전과제 중 하나.
  • 솔루션: Rolling Retraining(기준선), DDG-DA(AAAI 2022), meta-learning 기반 프레임워크.

RD-Agent 통합 (Auto Quant)

최근 개발 동향 (2026)

2026년 커밋은 기능보다 유지보수·보안에 집중:

  • 보안: RestrictedUnpickler 도입(#2153, 2026-03), unsafe pickle.load 사용 수정(#2099, 2026-01).
  • 데이터: baostock으로 거래 캘린더 소스 교체(#2193), US 심볼 URL 버그 수정(#1975), 일별 데이터 날짜 포맷 오류(#2015).
  • 백테스트: end_time 누락 시 캘린더 오버플로 방지(#2127), SoftTopkStrategy 결정적 예산 배분(#2077).
  • 열린 PR: BPQP End-to-end 학습 예제(#1863, 2024-12부터 open, “Coming soon” 마킹), CausalWM357 웨이트 프리 피처 핸들러(357 features, #2312), DailyBatchSampler 시간순 배치 수정(#2322/#2323).

사용 흐름

qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml

코드 기반 워크플로우가 필요하면 examples/workflow_by_code.ipynb 또는 workflow_by_code.py 패턴을 사용한다. qrun은 데이터셋 생성 → 학습 → 백테스트 → 평가를 YAML 하나로 실행한다.

주의점

  • 공식 데이터는 README에서 축약/제한된 형태로 안내되며, 사용자가 커뮤니티 제공 데이터 소스나 자체 수집기를 준비하는 흐름이 여전히 필요하다.
  • Qlib 자체는 강력하지만, 실거래 운영은 별도의 가드레일과 브로커 통합이 필요하다.
  • 백테스트 성능이 곧 실전 성능은 아니므로, 데이터 누수와 과최적화 점검이 중요하다.
  • 벤치마크 결과는 v0.8.0 이후 백테스트 변경점을 반영한 것이며, 모델별 파인튜닝 자원이 제한적이라 실제 잠재력과 다를 수 있다.

백링크