Was ist Qlib?
Qlib ist die Plattform von Microsoft Research für KI-gestützte quantitative Investmentforschung. Sie deckt die Kette von einer Point-in-Time-Finanzdatenschicht über Modelltraining und Backtesting bis zu Portfoliooptimierung, Orderausführung und Online-Modellbereitstellung ab und unterstützt überwachtes Lernen, Modellierung der Marktdynamik und Reinforcement Learning.
Der Ordner examples/benchmarks enthält 25 Modellimplementierungen, von LightGBM, XGBoost und CatBoost bis LSTM, GRU, Transformer, TabNet, TRA, HIST und DoubleEnsemble, jede über eine YAML-Konfiguration mit dem Befehl qrun ausführbar. Die LLM-gesteuerte Faktor- und Modellsuche steckt in einem Schwesterprojekt, RD-Agent, das die README als automatisierte F&E-Schicht von Qlib bewirbt.
Das Repo hat etwa 50.300 Sterne und eine MIT-Lizenz. Das jüngste GitHub-Release, v0.9.8, erschien im Oktober 2026 als Sicherheits-Release; PyPI liefert weiterhin pyqlib 0.9.7 vom August 2025.
Lohnt sich Qlib?
Qlib hat sich als gemeinsames Vokabular der Open-Source-Quant-Forschung mit ML etabliert. Sein Faktorset Alpha158, seine Daten-Handler und sein Backtest sind die Grundlage anderer Projekte; das Alpha-Modul von vn.py übernimmt Alpha158 direkt und nennt Qlib als Vorbild für sein Design. Mit 25 Referenzmodellen hinter einem einzigen Konfigurationsformat lässt sich eine neue Idee an einem Nachmittag statt in einer Woche gegen LightGBM, ein LSTM oder einen Transformer vergleichen.
Die Schwachstelle sind die Daten. Der Download des offiziellen Datensatzes ist laut README vorübergehend wegen strengerer Datensicherheitsregeln deaktiviert, und Nutzer werden auf einen von der Community gepflegten Spiegel verwiesen. Die mitgelieferten Collector holen Daten von Yahoo Finance, die laut den Maintainern nicht perfekt sein müssen. Ernsthafte Nutzer konvertieren die Daten ihres Anbieters mit den CSV-Werkzeugen; wer einen sauberen, fertigen Datensatz erwartet, wird enttäuscht.
Die Releases sind auf etwa eines pro Jahr zurückgegangen: v0.9.6 im Dezember 2024, v0.9.7 im August 2025 und v0.9.8 im Oktober 2026. Das jüngste dreht sich um Sicherheit, nicht um Funktionen. Es ersetzt die Auswertung von Faktor-Ausdrücken durch einen eingeschränkten Parser, und das Laden gespeicherter Recorder-Artefakte oder lokaler Python-Module aus Konfigurationen verlangt jetzt ein explizites trusted-Flag. Das bricht das Neuladen älterer Modelle, schließt aber eine echte Lücke: Vorher war ein geteilter Experimentordner oder eine Konfigurationsdatei ein Weg, fremden Code auszuführen. Etwa 516 Issues und Pull Requests sind offen.
Die LLM-Schicht liegt außerhalb. RD-Agent, das MIT-lizenzierte Multi-Agenten-System, das Faktoren sucht und Modelle auf Qlib abstimmt, hat selbst etwa 15.400 Sterne und braucht einen LLM-API-Schlüssel und ein Rechenbudget. Qlib selbst ruft keinen Modellanbieter auf. Als Forschungswerkbank für ein Quant-Team oder Promovierende bleibt es die stärkste kostenlose Option; als Live-Handelssystem braucht es zusätzlich eine Broker-Schicht, Risikokontrollen und eigene Daten.
Wo es sich lohnt
Ein zweiköpfiges Quant-Team in einem Family Office
Prüfen, ob ein neuer Faktor gegenüber Standard-Baselines etwas bringt
Sie konvertieren die Daten ihres Anbieters mit den CSV-Werkzeugen, fügen den Faktor zu Alpha158 hinzu und starten LightGBM- und Transformer-Konfigurationen mit qrun; der Backtest-Bericht vergleicht die Überrendite mit und ohne ihn. Kostenlos bis auf die Rechenleistung.
Ein Finance-Masterstudent
Ein veröffentlichtes Deep-Learning-Aktienmodell für die Abschlussarbeit nachbauen
Er startet im passenden Ordner unter examples/benchmarks, der Modell, Datensatz und Backtest-Einstellungen festlegt, und ändert jeweils eine Variable. Baummodelle laufen auf dem Laptop, die neuronalen Modelle wollen eine GPU.
Ein ML-Engineer bei einem systematischen Fonds
Einen LLM-Agenten über Nacht Faktoren vorschlagen und testen lassen
Er richtet RD-Agent mit einem LLM-API-Schlüssel auf einen Qlib-Arbeitsbereich; der Agent schreibt Faktorcode, führt Qlib-Backtests aus und behält, was den Wert verbessert. Die API-Kosten wachsen mit den Iterationen, und jeder übernommene Faktor braucht trotzdem eine menschliche Prüfung.
Bevor du dich festlegst
- Einrichtung
- pip install pyqlib unter Python 3.8 bis 3.12 (conda empfohlen), oder aus dem Quellcode bauen, um v0.9.8 zu bekommen; danach den Community-Spiegel herunterladen oder eigene CSV-Daten konvertieren, bevor qrun etwas Sinnvolles tut.
- Integrationen
- Python-API und qrun-CLI; Modelle mit LightGBM, XGBoost, CatBoost und PyTorch; Yahoo-Finance-Collector; RD-Agent für LLM-gesteuerte Faktor- und Modellsuche.
- Daten und Datenschutz
- Läuft auf deinem eigenen Rechner und ruft keinen Modellanbieter auf. Seit v0.9.8 werden gespeicherte Artefakte und lokale Python-Module nur mit explizitem trusted-Flag geladen, das du nur für Speicher vergeben solltest, den du kontrollierst.
- Kosten im großen Maßstab
- Keine Bezahlversion. Die Kosten sind deine Marktdatenlizenz, GPU-Zeit für die neuronalen Modelle und mit RD-Agent die LLM-API-Kosten.
- Grenzen
- Etwa 516 offene Issues und Pull Requests; offizieller Datensatz pausiert; Yahoo-Daten können unvollkommen sein; das Hochfrequenz-Handelsbeispiel ist nur teilweise veröffentlicht; keine Live-Broker-Anbindung.
Was gut ist
- 25 Referenzmodelle, ausführbar aus einem einheitlichen YAML-Konfigurationsformat
- Vollständige Forschungskette: Daten, Training, Backtest, Portfolio und Ausführung
- Reinforcement-Learning-Framework neben überwachten Modellen
- Das Release vom Oktober 2026 schließt Wege zur Codeausführung über Konfigurationen und Artefakte
- MIT-Lizenz
Was nicht
- Offizieller Datensatz-Download deaktiviert; Standard-Collector holen Daten von Yahoo Finance
- Etwa ein Release pro Jahr, und PyPI hinkt GitHub hinterher
- Die trusted-Flags von v0.9.8 brechen das Laden älterer Artefakte
- Keine Broker-Anbindung; Live-Handel braucht eine weitere Schicht
Am besten für
Quant-Forschende und Studierende, die eine erprobte ML-Pipeline und Referenzmodelle für Aktienprognosen wollen und ihre eigenen sauberen Daten mitbringen.
Alternativen zu Qlib
Qlib: häufige Fragen
- Lohnt sich Qlib?
- Nach wie vor das maßgebliche Open-Source-Framework für Aktienforschung mit Machine Learning, sofern du eigene Daten mitbringst und es als Forschungswerkbank statt als Handelssystem nutzt. Wir bewerten es mit 4.1 von 5.
- Was kostet Qlib?
- Kostenlos und Open Source unter MIT. Keine Bezahlversion; du zahlst für Daten, Rechenleistung und mit RD-Agent für die LLM-API-Nutzung.
- Welche Nachteile hat Qlib?
- Offizieller Datensatz-Download deaktiviert; Standard-Collector holen Daten von Yahoo Finance; Etwa ein Release pro Jahr, und PyPI hinkt GitHub hinterher; Die trusted-Flags von v0.9.8 brechen das Laden älterer Artefakte; Keine Broker-Anbindung; Live-Handel braucht eine weitere Schicht.
- Für wen eignet sich Qlib?
- Quant-Forschende und Studierende, die eine erprobte ML-Pipeline und Referenzmodelle für Aktienprognosen wollen und ihre eigenen sauberen Daten mitbringen.
- Was kostet Qlib für ein Team oder im Produktivbetrieb?
- Keine Bezahlversion. Die Kosten sind deine Marktdatenlizenz, GPU-Zeit für die neuronalen Modelle und mit RD-Agent die LLM-API-Kosten.
- Ist Qlib sicher für Firmendaten?
- Läuft auf deinem eigenen Rechner und ruft keinen Modellanbieter auf. Seit v0.9.8 werden gespeicherte Artefakte und lokale Python-Module nur mit explizitem trusted-Flag geladen, das du nur für Speicher vergeben solltest, den du kontrollierst.
- Was sind die besten Alternativen zu Qlib?
- Die nächsten Alternativen, die wir getestet haben, sind Kronos, VeighNa (vn.py) und Vibe-Trading.
Antworten geprüft am 16. Nov. 2026.