微软 RD-Agent 与 Qlib 教程：AI 驱动的量化投资研发自动化平台

微软研究院（Microsoft Research Asia）推出的两大开源项目——Qlib 和 RD-Agent（尤其是其量化金融子框架 RD-Agent(Q)），彻底改变了量化投资（Quant）领域的研发范式。Qlib 是一个 AI 导向的量化投资平台，提供从数据处理、模型训练到回测的全栈基础设施；RD-Agent 则是一个数据中心化的多代理框架，利用大语言模型（LLM）实现因子挖掘、模型优化等研发过程的完全自动化。

两者深度集成：RD-Agent(Q) 直接调用 Qlib 的数据、回测和执行引擎，实现“提出假设 → 代码实现 → 回测验证 → 反馈迭代”的闭环，让 AI 真正“驱动数据驱动的 AI”。实验显示，RD-Agent(Q) 在相同预算下能用更少因子实现约 2 倍年化收益率（ARR），显著超越传统因子库和 SOTA 深度时序模型。

本文将从基础概念到完整安装、配置、运行、自定义，提供尽可能详尽的教程，适合量化研究员、AI 工程师和量化爱好者。所有示例基于 2025-2026 年最新版本（Qlib v0.9.x + RD-Agent v0.8.0）。

Qlib 架构图（微软官方框架示意图，展示数据层、模型层、策略层、分析层全栈）

一、Qlib 全面介绍

Qlib 是什么？
Qlib 是微软开源的 AI 量化投资平台，目标是“用 AI 技术赋能量化研究，从idea探索到生产落地”。它支持监督学习、市场动态建模、强化学习（RL）等多种范式，模块化设计允许独立使用任意组件。核心优势：

• 统一数据格式与高效缓存（支持 Parquet、HDF5）
• 自动化工作流（qrun 一键执行全流程）
• 丰富模型库（LightGBM、LSTM、Transformer、HIST 等）
• 完整回测与分析工具（IC、IR、Sharpe、最大回撤、图形报告）
• 与 RD-Agent 无缝集成，实现自动化研发

核心特性

• 全栈 ML Pipeline：数据 → 特征 → 模型 → 回测 → 分析
• 支持中国（CSI300/CSI500）、美国市场等多种数据集
• 在线/离线数据服务、滚动训练、在线 Serving
• RL 框架：订单执行、组合管理
• 实验管理（Recorder + MLflow 集成）

安装 Qlib（推荐 Conda 环境，Python 3.8-3.12）

# 1. 创建环境
conda create -n qlib python=3.10
conda activate qlib

# 2. 安装（推荐 pip）
pip install pyqlib

# 或从源码（开发版）
git clone https://github.com/microsoft/qlib.git && cd qlib
pip install numpy
pip install --upgrade cython
pip install .[analysis,dev]   # 包含分析和开发依赖

Mac M1/M2 用户：若 LightGBM 编译失败，先执行 brew install libomp。

数据准备（中国市场 CSI300 示例，使用社区最新数据）

# 下载社区数据集
wget https://github.com/chenditc/investment_data/releases/latest/download/qlib_bin.tar.gz
mkdir -p ~/.qlib/qlib_data/cn_data
tar -zxvf qlib_bin.tar.gz -C ~/.qlib/qlib_data/cn_data --strip-components=1

快速入门：运行第一个 LightGBM 策略

cd examples
qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml

Qlib RL 框架架构图

回测与分析示例
运行后，在 mlruns 目录查看报告：

from qlib.workflow import R
recorder = R.get_recorder()
analysis_position.report(recorder, "report_normal")

二、RD-Agent 全面介绍与教程

RD-Agent 是什么？
RD-Agent（Research & Development Agent）是微软开源的多代理框架，RD-Agent(Q) 是量化金融专用版，实现“数据中心化的因子-模型联合优化”全栈自动化。

核心创新：Co-STEER 多代理协作 + Qlib 深度绑定。

RD-Agent(Q) 完整工作流图（Specification → Synthesis → Implementation → Validation → Analysis → Action）

安装 RD-Agent

conda create -n rdagent python=3.10
conda activate rdagent
pip install rdagent

LLM 配置（.env）

CHAT_MODEL=deepseek/deepseek-chat
DEEPSEEK_API_KEY=sk-xxx

快速教程

rdagent fin_quant   # 全自动量化研发（推荐）
rdagent fin_factor  # 仅因子进化
rdagent fin_model   # 仅模型进化

高级用法

• 自定义工作流、批量实验、Docker 部署等详见官方文档。

三、资源链接与总结

• Qlib GitHub：https://github.com/microsoft/qlib
• RD-Agent GitHub：https://github.com/microsoft/RD-Agent
• 官方文档：https://qlib.readthedocs.io / https://rdagent.readthedocs.io

总结：Qlib + RD-Agent 让个人/小团队实现顶级量化生产力。从 qrun + rdagent fin_quant 开始上手即可。

（本文基于官方最新文档、GitHub、arXiv 论文整理，2026 年 2 月版。如链接 404，可访问对应 GitHub raw 或 readthedocs 查看最新图片。）

欢迎 Star 项目，一起推动 AI 量化！如需 Notebook 补充，随时留言。