Qlib / Backtest

Qlib 回测：从数据集到策略评估

Qlib 把回测整理成可复现的管道：构建数据集 → 训练模型 → 回测 → 评估。理解每一步，才能正确解读回测报告并迭代策略。

看回测流程看可用模型

流程：数据集 → 训练 → 回测 → 评估示例：Alpha158 + LightGBM输出：风险/收益/回撤指标

构建数据集因子 + 标签

训练模型LightGBM 等

回测历史数据模拟

评估收益 / 风险指标

Qlib 回测流程示意图（数据集→训练→回测→评估），基于官方文档。

Pipeline

回测管道四步

官方文档定义的回测流程。

1. 数据集

构建含因子与标签的 qlib 格式数据集，支持 Point-in-Time 避免未来函数。

2. 模型训练

选择模型（如 LightGBM）在训练集上拟合因子与收益关系。

3. 回测

用模型预测在历史数据上模拟策略买卖与组合表现。

4. 评估

输出风险、收益、年化、信息比率与最大回撤等指标。

Example

官方示例：Alpha158 + LightGBM

官方 Quick Start 提供的入门回测示例。

cd examples
qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml

说明：该示例展示用 Alpha158 因子集与 LightGBM 模型跑通完整回测。命令来自官方 README（2026-08 核验）。

Metrics

回测指标解读

关注哪些指标，代表什么。

年化收益

策略年度化的收益水平。

信息比率

超额收益与跟踪误差的比值，衡量风险调整后表现。

最大回撤

历史最大峰谷跌幅，衡量策略风险。

风险

组合波动风险度量。

风险提示：回测指标仅代表历史表现，涉及数据、参数与市场环境假设；过拟合、前视偏差等都可能让回测失真。不构成投资建议。