Keyboard shortcuts

Press ← or → to navigate between chapters

Press S or / to search in the book

Press ? to show this help

Press Esc to hide this help

FinLab、Optuna、DEAP 與 Qlib:量化交易工具鏈指南

量化交易與機器學習的開發流程會用到不同工具。本文整理 FinLab、Optuna、DEAP 與微軟的 Qlib 各自的用途,以及適合使用的階段。

一、工具核心定位總覽

【 策略起點:FinLab 】 ── 提供台美股資料與快速回測框架
          │
          ▼
【 參數微調:Optuna 】 ── 搜尋已定義的參數空間(如:均線天數)
          OR
【 架構演化:DEAP 】   ── 演化自訂的策略公式或規則(如:因子公式)

這張圖表示一種選用方式,並非必須先用 FinLab 才能使用 Optuna 或 DEAP。Optuna 可搜尋整數、浮點及類別參數;「均線天數」是整數。多目標搜尋也不是 DEAP 獨有功能。選用工具時,應先確認要搜尋的是固定參數,還是自行定義的候選公式或規則結構。參考:Optuna Trial API、Optuna 多目標教學、DEAP GP 教學。

工具類型主要用途適用情境
FinLab財經資料庫+多因子回測引擎策略起跑線:提供台美股資料與選股回測。快速驗證基本面、籌碼面、簡單技術面想法時。
Optuna超參數最佳化(預設 TPE sampler)智慧型參數微調:在指定的搜尋空間中反覆試驗參數組合。參數範圍明確但組合過多,或需微調 AI 模型超參數時。
DEAP演化計算框架(含遺傳演算法與遺傳程式設計)大範圍架構演化:透過選擇、交配與突變搜尋候選規則。想讓電腦混搭已定義的指標與運算子,產生候選策略/因子時。
QlibAI-oriented 一體化量化平台AI 研究管線:整合資料處理、模型、策略與回測。欲引進機器學習模型或進行可重複的 AI 量化實驗時。

Optuna 有多種取樣器(sampler),預設使用 TPE。搜尋結果取決於目標函式、搜尋空間與試驗預算,無法保證找到最理想的參數。參考:Optuna 官方文件。

FinLab 的台股與美股資料及回測功能可參考資料 API與市場物件文件;可用欄位、頻率與市場規則仍須依實際資料集確認。

DEAP 補充:它會演化什麼?

DEAP 不限定只能做固定參數的遺傳演算法。若把候選因子表示成樹,遺傳程式設計(GP)可以對公式結構做交配與突變;但使用者須先定義允許的輸入欄位、運算子、個體表示法及適應度函式。候選公式仍須經過獨立回測,不能把演化後的高分當成有效交易策略。DEAP 官方總覽、DEAP GP 教學

Optuna 補充:它如何微調?

先寫出可回傳分數的 objective,再讓每個 trial 選取一組參數並執行評估。適合搜尋指標天數、learning_rate、max_depth 或持股數等已定義的變數。若訓練能提供中途分數,可另用 pruner 提前結束不理想的 trial;一般回測不一定能直接使用剪枝。Optuna Study API、Optuna 剪枝說明

二、Qlib 的核心工作流架構(Workflow)

Qlib 將整個量化流程標準化(Pipeline 化)。實務上,研究員可以使用 YAML 設定檔與 qrun 執行資料處理、模型訓練、訊號分析及回測;執行前仍需準備資料、相依套件和適合市場的設定。Qlib Workflow 官方文件

【 Data 】           ── 資料載入與轉換(Qlib .bin 格式與快取)
   │
   ▼
【 Feature 】        ── 特徵處理(Alpha158 與 Alpha360 資料處理器)
   │
   ▼
【 Forecast Model 】 ── 模型訓練與預測(滾動訓練須另外設定)
   │
   ▼
【 Strategy 】       ── 預測訊號轉化為交易決策(例如 Top-k 選股)
   │
   ▼
【 Backtest 】       ── 按設定的成交規則與成本模擬交易、評估績效

流程中的 Alpha158/Alpha360、模型與策略是可選範例,並非一份 YAML 會自動啟用的全部功能。Alpha158 偏向人工設計特徵,Alpha360 主要使用價量時序資料;Qlib 的一般 qrun 範例不等於自動執行滾動訓練。預測、交易與績效指標取決於資料切分、模型、策略、成本及報表設定;速度也取決於資料與運行環境。Qlib 資料層文件、Qlib 範例資料集說明、Qlib 策略與回測文件

三、進階整合:Qlib 需要先做 Optuna 嗎?

不需要先做,而是可以「包在 Qlib 的工作流中一起跑」,或者在 Qlib 基礎流程確認可重現後再引入。

1. 初期階段:Qlib 優先(建立 Baseline)

  • 做法:從 Qlib 範例 YAML 的設定起步,先確認資料源、訓練/驗證/測試區間、模型與策略可正常執行,再依研究問題調整參數。
  • 目的:先跑通 Data 到 Backtest 的流程,檢查資料和特徵有無洩漏、對齊或品質問題。Baseline 不必先「確定能賺錢」;搜尋前需要可信的評估流程。

2. 後期階段:Qlib + Optuna 外部整合(策略精進)

建立基準流程後,可用以下架構搜尋超參數(如:learning_rate、max_depth、Top-K)。應以驗證區間的指標作為搜尋分數,扣除適用的交易成本;獨立測試區間保留到搜尋完成後才使用。這種整合需要自行撰寫 objective,不是 Qlib YAML 範例內建的 Optuna 功能。Optuna Study API、Qlib Workflow 官方文件

【 Optuna 引擎 】── 建議候選超參數(如:learning_rate, max_depth, Top-K)
       │
       ▼ (傳遞參數組合)
┌─────────────────────────────────────┐
│ Qlib 工作流 (Objective Function)    │
│ 1. 讀取 YAML 並更新參數             │
│ 2. 訓練 AI 模型 (如 LightGBM / GRU) │
│ 3. 跑交易模擬回測 (Backtest)        │
│ 4. 輸出評分指標 (如:回測夏普值)    │
└─────────────────────────────────────┘
       │
       ▼ (回傳夏普值)
【 Optuna 引擎 】── 根據回傳結果,建議下一輪的候選參數

DEAP 與 Qlib 怎麼搭配?

若要搜尋的是公式或規則的結構,可讓 DEAP 產生候選因子,再自行撰寫串接程式,用 Qlib 的資料與回測流程評分;選出的候選因子仍須在未參與演化的測試區間驗證。若只有少量固定參數,Optuna 通常較容易建立可追蹤的試驗。兩者都要控制搜尋次數、資料洩漏與過度擬合。

四、實作起點

  • FinLab + Optuna:先建立可重現的選股與回測流程,再以 Optuna 搜尋技術指標天數。
  • Qlib 標準 YAML 範例:先熟悉資料、模型、策略與回測設定,再視需求加入參數搜尋。