Qlib Docker 部署指南从零构建可运行的量化研究容器【免费下载链接】qlibQlib is an AI-oriented Quant investment platform that aims to use AI tech to empower Quant Research, from exploring ideas to implementing productions. Qlib supports diverse ML modeling paradigms, including supervised learning, market dynamics modeling, and RL, and is now equipped with https://github.com/microsoft/RD-Agent to automate RD process.项目地址: https://gitcode.com/GitHub_Trending/qli/qlib给新同事配环境时我在干净的 Linux 机器上做了一次 Qlib Docker 部署用仓库根目录的 Dockerfile 构建镜像容器内下载 A 股日线数据包并完整跑通 LightGBM 基准回测全程没有手动处理任何依赖冲突。Qlib 是面向 AI 的量化投资平台覆盖数据加载、因子建模、策略回测的完整研究链路容器化让这套链路在任何机器上都能复现。Docker 方案适用的边界如果你的目标是多人、多机器共享一套可复现的研究环境镜像方式比手工 pip install 更稳仓库里的 Dockerfile 把 numpy、pandas、scikit-learn 等依赖都固定了版本每个人拿到的环境完全一致。两种情况不必上容器单机只跑一次脚本直接python -m pip install pyqlib即可正在开发 qlib 源码、需要频繁重编译的贡献者则应直接选用下文的 nightly 构建方式。启动前检查构建 Qlib Docker 镜像的三项确认先执行这条命令确认 Docker 守护进程可用docker --version docker run hello-world跑不通就先修好 Docker 本身别急着构建镜像。剩下两项做目检磁盘空间不低于 20GB。镜像本身加上 A 股数据包占用不小回测报告还要写盘。网络畅通。构建过程有两处大下载pip 安装 Qlib 及其依赖、容器内拉取行情数据任一环节断网都会卡住。仓库根目录存在 Dockerfile 和 build_docker_image.sh后者是下一节构建流程的入口。全局总览四步的依赖顺序镜像构建与数据下载相互独立但回测必须在数据就位之后执行下面按这个顺序展开。拉取 Qlib 源码并构建 qlib_image用仓库自带脚本一次构建git clone https://gitcode.com/GitHub_Trending/qli/qlib cd qlib bash build_docker_image.sh脚本有两个交互问题是否构建 nightly 版默认 no即 stable 稳定版、是否把镜像推送到 Docker Hub默认 no。选择推送前先把脚本顶部的docker_user变量改成自己的 Docker Hub 用户名否则登录与打标步骤无法完成。IS_STABLE 构建参数决定装的是哪种 Qlib不想走交互脚本时直接用 docker build 命令docker build -t qlib_image -f ./Dockerfile . docker build --build-arg IS_STABLEno -t qlib_image:nightly -f ./Dockerfile .两行命令的差别在安装的 Qlib 版本默认IS_STABLEyes时执行pip install pyqlib装的是 PyPI 发布版IS_STABLEno则用仓库源码python setup.py install现场编译适合贡献者验证未发布的改动。Dockerfile 基于 miniconda3 镜像创建 python 3.8 的 conda 环境并固定 numpy 1.23.5、pandas 1.5.3 等版本常见的版本冲突问题由它直接消化。启动 Qlib 容器并下载 A 股日线数据镜像构建完成后进入交互式 shelldocker run -it --name qlib_env -v $(pwd):/qlib -p 8888:8888 qlib_image /bin/bash-v把本地源码目录挂到容器内/qlibexamples 下的配置在容器里即可直接引用-p 8888:8888为之后启动 Jupyter 预留端口。容器内先下载数据python scripts/get_data.py qlib_data --name qlib_data_simple --target_dir ~/.qlib/qlib_data/cn_data --interval 1d --region cnqlib_data_simple是小数据集几分钟即可下完要完整数据集就去掉--name参数默认qlib_data。--region cn/us切换 A 股与美股市场。注意脚本默认delete_oldTrue对已存在的 target_dir 会先删除再重新下载想保留旧数据就追加--exists_skip True。完整参数说明见 scripts/get_data.py。结果验收用一次 LightGBM 基准回测验证验收标准就一条完整回测能复现。执行python qlib/cli/run.py examples/benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml这条命令基于 Alpha158 特征集完成 LightGBM 模型训练、预测生成和 TopkDropout 策略回测的全流程。满足以下三条即说明环境就绪✅ 命令输出 IC、年化收益、最大回撤等评估指标过程无中断。✅ 实验 recorder 目录中生成对应的回测报告文件结构完整。✅ 可选容器内执行jupyter notebook --ip0.0.0.0能启动 notebook宿主机 8888 端口可访问examples/ 下的示例脚本可直接打开。调优与排障镜像构建与容器使用的高频问题构建失败与构建变慢构建中 pip install 超时先在宿主机配置国内 pip 镜像源pip config global index-url指向国内镜像再重新构建即可不需要改动 Dockerfile。反复构建时依赖镜像缓存层只改数据不重装依赖就不必重跑 docker build。容器复用、资源限制与数据持久化容器停止后不必每次重新 docker run直接恢复原容器docker start -i -a qlib_env宿主机资源紧张时在 docker run 后追加--cpus 4 --memory 8g限制容器用量。数据包若希望跨容器保留启动时把数据目录挂到宿主机docker run -it --name qlib_env -v $(pwd):/qlib \ -v ~/qlib_data:/root/.qlib/qlib_data -p 8888:8888 qlib_image /bin/bash容器默认用户是 root内部数据路径为/root/.qlib/qlib_data挂出后新数据下载与回测读取都走宿主机目录。以上命令参数组合的出处见 docs/developer/how_to_build_image.rst。这套方案适合谁与后续动作需要稳定 Qlib 研究环境、多人协作或多版本并行验证的读者可直接照此镜像化。 环境就绪后可换更高频数据包--interval 1min扩展到日内场景或把 examples/benchmarks/ 里的基准配置换成自己的策略配置开始回测。【免费下载链接】qlibQlib is an AI-oriented Quant investment platform that aims to use AI tech to empower Quant Research, from exploring ideas to implementing productions. Qlib supports diverse ML modeling paradigms, including supervised learning, market dynamics modeling, and RL, and is now equipped with https://github.com/microsoft/RD-Agent to automate RD process.项目地址: https://gitcode.com/GitHub_Trending/qli/qlib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Qlib Docker 部署指南：从零构建可运行的量化研究容器
Qlib Docker 部署指南从零构建可运行的量化研究容器【免费下载链接】qlibQlib is an AI-oriented Quant investment platform that aims to use AI tech to empower Quant Research, from exploring ideas to implementing productions. Qlib supports diverse ML modeling paradigms, including supervised learning, market dynamics modeling, and RL, and is now equipped with https://github.com/microsoft/RD-Agent to automate RD process.项目地址: https://gitcode.com/GitHub_Trending/qli/qlib给新同事配环境时我在干净的 Linux 机器上做了一次 Qlib Docker 部署用仓库根目录的 Dockerfile 构建镜像容器内下载 A 股日线数据包并完整跑通 LightGBM 基准回测全程没有手动处理任何依赖冲突。Qlib 是面向 AI 的量化投资平台覆盖数据加载、因子建模、策略回测的完整研究链路容器化让这套链路在任何机器上都能复现。Docker 方案适用的边界如果你的目标是多人、多机器共享一套可复现的研究环境镜像方式比手工 pip install 更稳仓库里的 Dockerfile 把 numpy、pandas、scikit-learn 等依赖都固定了版本每个人拿到的环境完全一致。两种情况不必上容器单机只跑一次脚本直接python -m pip install pyqlib即可正在开发 qlib 源码、需要频繁重编译的贡献者则应直接选用下文的 nightly 构建方式。启动前检查构建 Qlib Docker 镜像的三项确认先执行这条命令确认 Docker 守护进程可用docker --version docker run hello-world跑不通就先修好 Docker 本身别急着构建镜像。剩下两项做目检磁盘空间不低于 20GB。镜像本身加上 A 股数据包占用不小回测报告还要写盘。网络畅通。构建过程有两处大下载pip 安装 Qlib 及其依赖、容器内拉取行情数据任一环节断网都会卡住。仓库根目录存在 Dockerfile 和 build_docker_image.sh后者是下一节构建流程的入口。全局总览四步的依赖顺序镜像构建与数据下载相互独立但回测必须在数据就位之后执行下面按这个顺序展开。拉取 Qlib 源码并构建 qlib_image用仓库自带脚本一次构建git clone https://gitcode.com/GitHub_Trending/qli/qlib cd qlib bash build_docker_image.sh脚本有两个交互问题是否构建 nightly 版默认 no即 stable 稳定版、是否把镜像推送到 Docker Hub默认 no。选择推送前先把脚本顶部的docker_user变量改成自己的 Docker Hub 用户名否则登录与打标步骤无法完成。IS_STABLE 构建参数决定装的是哪种 Qlib不想走交互脚本时直接用 docker build 命令docker build -t qlib_image -f ./Dockerfile . docker build --build-arg IS_STABLEno -t qlib_image:nightly -f ./Dockerfile .两行命令的差别在安装的 Qlib 版本默认IS_STABLEyes时执行pip install pyqlib装的是 PyPI 发布版IS_STABLEno则用仓库源码python setup.py install现场编译适合贡献者验证未发布的改动。Dockerfile 基于 miniconda3 镜像创建 python 3.8 的 conda 环境并固定 numpy 1.23.5、pandas 1.5.3 等版本常见的版本冲突问题由它直接消化。启动 Qlib 容器并下载 A 股日线数据镜像构建完成后进入交互式 shelldocker run -it --name qlib_env -v $(pwd):/qlib -p 8888:8888 qlib_image /bin/bash-v把本地源码目录挂到容器内/qlibexamples 下的配置在容器里即可直接引用-p 8888:8888为之后启动 Jupyter 预留端口。容器内先下载数据python scripts/get_data.py qlib_data --name qlib_data_simple --target_dir ~/.qlib/qlib_data/cn_data --interval 1d --region cnqlib_data_simple是小数据集几分钟即可下完要完整数据集就去掉--name参数默认qlib_data。--region cn/us切换 A 股与美股市场。注意脚本默认delete_oldTrue对已存在的 target_dir 会先删除再重新下载想保留旧数据就追加--exists_skip True。完整参数说明见 scripts/get_data.py。结果验收用一次 LightGBM 基准回测验证验收标准就一条完整回测能复现。执行python qlib/cli/run.py examples/benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml这条命令基于 Alpha158 特征集完成 LightGBM 模型训练、预测生成和 TopkDropout 策略回测的全流程。满足以下三条即说明环境就绪✅ 命令输出 IC、年化收益、最大回撤等评估指标过程无中断。✅ 实验 recorder 目录中生成对应的回测报告文件结构完整。✅ 可选容器内执行jupyter notebook --ip0.0.0.0能启动 notebook宿主机 8888 端口可访问examples/ 下的示例脚本可直接打开。调优与排障镜像构建与容器使用的高频问题构建失败与构建变慢构建中 pip install 超时先在宿主机配置国内 pip 镜像源pip config global index-url指向国内镜像再重新构建即可不需要改动 Dockerfile。反复构建时依赖镜像缓存层只改数据不重装依赖就不必重跑 docker build。容器复用、资源限制与数据持久化容器停止后不必每次重新 docker run直接恢复原容器docker start -i -a qlib_env宿主机资源紧张时在 docker run 后追加--cpus 4 --memory 8g限制容器用量。数据包若希望跨容器保留启动时把数据目录挂到宿主机docker run -it --name qlib_env -v $(pwd):/qlib \ -v ~/qlib_data:/root/.qlib/qlib_data -p 8888:8888 qlib_image /bin/bash容器默认用户是 root内部数据路径为/root/.qlib/qlib_data挂出后新数据下载与回测读取都走宿主机目录。以上命令参数组合的出处见 docs/developer/how_to_build_image.rst。这套方案适合谁与后续动作需要稳定 Qlib 研究环境、多人协作或多版本并行验证的读者可直接照此镜像化。 环境就绪后可换更高频数据包--interval 1min扩展到日内场景或把 examples/benchmarks/ 里的基准配置换成自己的策略配置开始回测。【免费下载链接】qlibQlib is an AI-oriented Quant investment platform that aims to use AI tech to empower Quant Research, from exploring ideas to implementing productions. Qlib supports diverse ML modeling paradigms, including supervised learning, market dynamics modeling, and RL, and is now equipped with https://github.com/microsoft/RD-Agent to automate RD process.项目地址: https://gitcode.com/GitHub_Trending/qli/qlib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考