Qlib来啦：模型训练篇
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。
源代码请点击阅读原文
在QIML公众号官方GitHub查看
QIML官方GitHub上线
通过config实例化操作
"class": 指定需要实例化的类；
"module_path": str格式, 表明该类的路径；
"kwargs": "class"初始化的参数；
init_instance_by_config: 根据“配置”进行类实例化的函数。
# 初始化配置
import qlib
from qlib.constant import REG_CN
data_uri = '/Users/lusong/.qlib/qlib_data/cn_data_wind/'
qlib.init(provider_uri=data_uri, region=REG_CN)
# 使用"配置"进行实例化
from qlib.utils import init_instance_by_config
qdl_config = {
"class": "QlibDataLoader",
"module_path": "qlib.data.dataset.loader",
"kwargs": {
"config": {
"feature": (['EMA($close, 10)', 'EMA($close, 30)'], ['EMA10', 'EMA30'] ),
"label": (['Ref($close, -1)/$close - 1',],['RET_1',]),
},
"freq": 'day',
},
}
# 以下这种写法也可以，注意class/module_path和上面的区别，这里没有module_path
# qdl_config = {
# "class": "qlib.data.dataset.loader.QlibDataLoader",
# "kwargs": {
# "config": {
# "feature": (['EMA($close, 10)', 'EMA($close, 30)'], ['EMA10', 'EMA30'] ),
# "label": (['Ref($close, -1)/$close - 1',],['RET_1',]),
# },
# "freq": 'day',
# # "inst_processor": inst_processor,
# },
# }
qdl = init_instance_by_config(qdl_config)
market = 'sh000300' # 沪深300股票池代码，在instruments文件夹下有对应的sh000300.txt
qdl.load(instruments=market, start_time='20210101', end_time='20210110')对于一些常用的因子或特征，我们可以写成一个继承自DataHandlerLP的类，以便后面重复调用。接下来，我们就以MACD和RSI两个指标为例，实现一个自定义DataHandlerLP的类。
# 实现一个自定义的特征集，MACD、RSI
from qlib.data.dataset.handler import DataHandlerLP
class MyFeatureSet(DataHandlerLP):
def __init__(self,
instruments="sh000300",
start_time=None,
end_time=None,
freq="day",
infer_processors=[],
learn_processors=[],
fit_start_time=None,
fit_end_time=None,
process_type=DataHandlerLP.PTYPE_A,
filter_pipe=None,
inst_processor=None,
**kwargs,
):
data_loader = {
"class": "QlibDataLoader",
"kwargs": {
"config": {
"feature": self.get_feature_config(),
"label": kwargs.get("label", self.get_label_config()), # label可以自定义，也可以使用初始化时候的设置
},
"filter_pipe": filter_pipe,
"freq": freq,
"inst_processor": inst_processor,
},
}
super().__init__(
instruments=instruments,
start_time=start_time,
end_time=end_time,
data_loader=data_loader,
infer_processors=infer_processors,
learn_processors=learn_processors,
process_type=process_type,
)
def get_feature_config(self):
MACD = '(EMA($close, 12) - EMA($close, 26))/$close - EMA((EMA($close, 12) - EMA($close, 26))/$close, 9)/$close'
RSI = '100 - 100/(1+(Sum(Greater($close-Ref($close, 1),0), 14)/Count(($close-Ref($close, 1))>0, 14))/ (Sum(Abs(Greater(Ref($close, 1)-$close,0)), 14)/Count(($close-Ref($close, 1))<0, 14)))'
return [MACD, RSI ], ['MACD', 'RSI']
def get_label_config(self):
return (["Ref($close, -1)/$close - 1"], ["LABEL"])
# 初始化的过程中已经完成的数据的load
my_feature = MyFeatureSet(instruments='sh000300', start_time='2021-01-01', end_time='2021-06-30')
# my_feature.get_feature_config()
my_feature.fetch() # my_feature.fetch(col_set='feature') / my_feature.fetch(col_set='label')实际上qlib内部也提供了两个特征集：Alpha158和Alpha360：
Alpha158
Alpha360
处理数据过程中，可以自定义infer_processors和learn_processors。
准备数据及模型，进行训练
在Qlib的框架下，使用机器学习进行量化研究主要有以下步骤：
数据准备 Dataset
模型配置
训练及结果分析
我们之前的数据篇已经完成了数据准备的部分，这其中的核心就是因子（或指标），当然我们可以先使用内置的Alpha158或Alpha360。关于模型的准备及实现，主要分为两个部分，首先是借助常用的机器学习或深度学习框架（推荐Pytorch）实现预测模型，然后再继承qlib.model.base.Model，实现模型的训练和测试过程。这两部分我们后面会结合源码给大家更详细的解释。
Qlib之所以受欢迎，很大程度是因为其本身已经实现了大量的模型。具体实现的模型可以在qlib.contrib.model，顺便说一下qlib.contrib这个子模块主要都是基于qlib核心模块实现的一些便利性功能，比如Alpha158就是qlib.contrib.data.handler路径下。
接下来我们使用Alpha158数据集，及内置ALSTM模型，说明一下模型训练的过程。（由于时间原因，并没用运行至结束）
from qlib.contrib.data.handler import Alpha158
from qlib.data.dataset import TSDatasetH
from qlib.contrib.model.pytorch_alstm_ts import ALSTM
# 配置数据
train_period = ("2015-01-01", "2019-12-31")
valid_period = ("2020-01-01", "2020-12-31")
test_period = ("2021-01-01", "2022-03-01")
dh = Alpha158(instruments='sh000300',
start_time=train_period[0],
end_time=test_period[1],
infer_processors={}
)
ds = TSDatasetH(handler=dh,
step_len=40, # 时间步数
segments={"train": train_period,
"valid": valid_period,
"test": test_period})
# 配置模型
model = ALSTM(d_feat=158,
metric='mse',
rnn_type='GRU',
batch_size=800,
early_stop=10) # 其他参数使用默认设置
# 模型训练, 使用fit方法
model.fit(dataset=ds,
save_path=None) # 保存模型的路径，默认存在当前路径通过以上步骤，训练模型后，可以使用model.predict()对test的数据集进行测试：
model.predict(dataset=ds, segment='test')而以上从数据到模型的实例化，这一切都可以通过使用“配置“文件的方式进行实现，包括数据集和模型都可以用下“配置”的方式来实例化：
ds_config = {'class': 'TSDatasetH',
'module_path': 'qlib.data.dataset',
'kwargs': {
'handler': {
'class': 'Alpha158',
'module_path': 'qlib.contrib.data.handler',
'kwargs': {'start_time': "2015-01-01",
'end_time': "2022-03-01",
'fit_start_time': "2015-01-01",
'fit_end_time': "2019-12-31",
'instruments': 'sh000300',
# 与之前的示例相比，这里新增了infer_processors和learn_processors
'infer_processors': [
{'class': 'RobustZScoreNorm',
'kwargs': {'fields_group': 'feature', 'clip_outlier': True}},
{'class': 'Fillna', 'kwargs': {'fields_group': 'feature'}}],
'learn_processors': [{'class': 'DropnaLabel'},
# 对预测的目标进行截面排序处理
{'class': 'CSRankNorm', 'kwargs': {'fields_group': 'label'}}],
# 预测的目标
'label': ['Ref($close, -1) / $close - 1']}},
'segments': {'train': ["2015-01-01", "2019-12-31"],
'valid': ["2020-01-01", "2020-12-31"],
'test': ["2021-01-01", "2022-03-01"]},
'step_len': 40}}
model_config = {'class': 'ALSTM',
'module_path': 'qlib.contrib.model.pytorch_alstm_ts',
'kwargs': {
'd_feat': 158,
'hidden_size': 64,
'num_layers': 2,
'dropout': 0.0,
'n_epochs': 200,
'lr': '1e-3',
'early_stop': 10,
'batch_size': 800,
'metric': 'loss',
'loss': 'mse',
'n_jobs': 20,
'GPU': 0,
'rnn_type': 'GRU'
}}
# 实例化数据集及模型
ds = init_instance_by_config(ds_config)
model = init_instance_by_config(model_config)
# 模型训练
model.fit(dataset=ds)当然，也可以将配置写在外部文件里（如yaml），然后读取进notebook里。在qlib/examples/benchmarks文件夹下有很多现成的配置文件，这里的文件与qlib.contrib.model里的模型一一对应。现在，我们读取一个配置文件进来看一下：
import yaml
with open('./workflow_config_alstm_Alpha158.yaml', 'rb') as f:
config = yaml.load(f, Loader=yaml.FullLoader)这些配置文件通常配合qlib的workflow模式在命令行运行，每个文件对应了一个模型从数据到训练的全部配置。
Recorder的作用
至此，我们已经明白了官方的示例中复杂的配置是怎么来的。但当我们官方的入门示例时（qlib/example/workflow_by_code.py）时，看到了最后这段代码，又呆住了：
with R.start(experiment_name="workflow"):
R.log_params(**flatten_dict(CSI300_GBDT_TASK))
model.fit(dataset)
R.save_objects(**{"params.pkl": model})
# prediction
recorder = R.get_recorder()
sr = SignalRecord(model, dataset, recorder)
sr.generate()
# Signal Analysis
sar = SigAnaRecord(recorder)
sar.generate()
# backtest. If users want to use backtest based on their own prediction,
# please refer to https://qlib.readthedocs.io/en/latest/component/recorder.html#record-template.
par = PortAnaRecord(recorder, port_analysis_config, "day")
par.generate()这里提到了一个Recoder的概念，Recoder本身是用来管理机器学习模型的训练过程，记录中间训练结果的。我们知道机器学习模型训练时间一般较长，我们不能非常及时的看到结果，所以需要记录一些中间结果。有时还有因为种种原因中断训练，那这时可以使用Recoder恢复并继续之前的训练，而不需要从头开始。Qlib内置的Recoder实际上使用的是mlflow，这是一个开源机器学习训练流程管理器。
Qlib中使用R作为QlibRecorder的简称，每次开始实验都会在指定目录（默认当前目录）新建一个mlruns文件夹，用于存放每次实验的中间结果：
在以上的代码中R.start()只能与with搭配使用，其他情况下可以使用R.start_exp()来开始一个实验。R.start的参数有：
experiment_name: 实验名称
experiment_id: 实验id，默认为0开始自增的整数
recorder_id: 如果已存在，且resume参数为True，则会根据指定的recoder_id，继续训练；如果resume为False，则会覆盖当前recorder_id目录下的记录。如果不存在，则在该实验下创建一个新的以该id为名称的目录。为空的时候，会随机生成一个新的recorder_id
resume：是否继续之前某个recorder_id的训练，与上面recorder_id参数配合使用
QlibRecorder在创建mlruns文件夹后，内部的文件夹创建规则是这样的：
1、每次运行以experient_id创建一个文件夹，当experient_id为指定时，默认以0开始的自增整数作为文件夹名称。
2、每个子文件夹表示一个实验，一个实验内部可以有多次实验，以recorder_id命名文件夹。
3、每个实验文件夹内的meta.yaml记录了该实验的experiment_id\name等信息。
Record Template
模型训练完之后的一些分析，可以通过Record Template来完成，正如上面的这些代码，完成了预测到策略分析的过程：
Record Template说白了就是把一些分析的逻辑，及分析结果的存储写在一个类里面进行实现，使得过程可重复，易管理保存。和我们之前介绍的实现自我定义的一些特征集（上文的MyFeatureSet）有类似的目的。我们只要看一下SigAnaRecord的源码就明白了：
可以，看出以上代码中，generate方法就是实现了：
根据训练好的模型生成预测pred，并保存在pickle文件中
获取了测试集的label，保存在pickle文件中
总结
结合这三次的分享，大家对于qlib的官方案例qlib/example/workflow_by_code.py应该能够完全明白了。下次我们看一下介绍模型结果到策略回测的实现。
附录：如何使用Tensorboard查看模型结构
from qlib.contrib.model.pytorch_alstm_ts import ALSTMModel
from torch.utils.tensorboard import SummaryWriter
import torch
# 生成传入模型的样例数据
sample_data = torch.randn(2,20,6) # [batch, seq_len, d_feat]
alstm = ALSTMModel()
# default `log_dir` is "runs" - we'll be more specific here
writer = SummaryWriter('./runs/qlib_model')
writer.add_graph(alstm, sample_data)
writer.close()
# 在终端中运行(当前文件夹)以下命令，会有如下输出，然后再在浏览器打开localhost:6006
# tensorboard --logdir='./runs'源代码请点击阅读原文
在QIML公众号官方GitHub查看
QIML官方GitHub上线
微信扫码关注该文公众号作者