¿Qué es Qlib?
Qlib es la plataforma de Microsoft Research para la investigación de inversión cuantitativa con IA. Cubre la cadena desde una capa de datos financieros point-in-time, pasando por el entrenamiento de modelos y el backtesting, hasta la optimización de carteras, la ejecución de órdenes y el servicio de modelos en línea, y admite aprendizaje supervisado, modelado de la dinámica del mercado y aprendizaje por refuerzo.
La carpeta examples/benchmarks contiene 25 implementaciones de modelos, desde LightGBM, XGBoost y CatBoost hasta LSTM, GRU, Transformer, TabNet, TRA, HIST y DoubleEnsemble, cada una ejecutable desde una configuración YAML con el comando qrun. La búsqueda de factores y modelos guiada por LLM vive en un proyecto hermano, RD-Agent, que el README presenta como la capa automatizada de I+D de Qlib.
El repositorio tiene unas 50.300 estrellas y licencia MIT. La última versión en GitHub, v0.9.8, salió en octubre de 2026 como versión de refuerzo de seguridad; PyPI sigue sirviendo pyqlib 0.9.7, de agosto de 2025.
¿Merece la pena Qlib?
Qlib se gana su sitio como vocabulario común de la investigación cuantitativa open source con ML. Su conjunto de factores Alpha158, sus manejadores de datos y su backtest son la base de otros proyectos; el módulo alpha de vn.py toma Alpha158 tal cual y reconoce a Qlib en su diseño. Tener 25 modelos de referencia tras un mismo formato de configuración permite comparar una idea nueva con LightGBM, un LSTM o un Transformer en una tarde y no en una semana.
El punto débil son los datos. La descarga del conjunto de datos oficial está desactivada, temporalmente según el README, por una política de seguridad de datos más estricta, y se remite a los usuarios a un espejo mantenido por la comunidad. Los recolectores incluidos extraen datos de Yahoo Finance, que según los propios mantenedores pueden no ser perfectos. Los usuarios serios convertirán los datos de su proveedor con las herramientas CSV; quien espere un conjunto limpio y listo se llevará una decepción.
Las versiones se han frenado a una al año aproximadamente: v0.9.6 en diciembre de 2024, v0.9.7 en agosto de 2025 y v0.9.8 en octubre de 2026. La última trata de seguridad, no de funciones. Sustituye la evaluación de expresiones de factores por un analizador restringido, y cargar artefactos guardados del recorder o módulos Python locales desde configuraciones exige ahora un indicador trusted explícito. Eso rompe la recarga de modelos antiguos, pero cierra un agujero real: antes, una carpeta de experimentos o un archivo de configuración compartidos eran una vía para ejecutar código ajeno. Hay unas 516 incidencias y pull requests abiertas.
La capa de LLM está fuera. RD-Agent, el sistema multiagente con licencia MIT que extrae factores y ajusta modelos sobre Qlib, tiene unas 15.400 estrellas propias y necesita una clave de API de LLM y presupuesto de cómputo. Qlib por sí mismo no llama a ningún proveedor de modelos. Como banco de investigación para un equipo cuantitativo o un estudiante de posgrado sigue siendo la opción gratuita más sólida; como sistema de trading real necesita encima una capa de bróker, controles de riesgo y tus propios datos.
Dónde se gana su sitio
Un equipo cuantitativo de dos personas en un family office
Comprobar si un factor nuevo aporta algo frente a los modelos de referencia
Convierten los datos de su proveedor con las herramientas CSV, añaden el factor a Alpha158 y ejecutan configuraciones de LightGBM y Transformer con qrun; el informe de backtest compara el exceso de rentabilidad con y sin él. Gratis salvo el cómputo.
Un estudiante de máster en finanzas
Reproducir para su tesis un modelo bursátil de deep learning publicado
Parte de la carpeta correspondiente en examples/benchmarks, que fija modelo, datos y parámetros de backtest, y cambia una variable cada vez. Los modelos de árboles corren en un portátil; los neuronales piden una GPU.
Un ingeniero de ML en un fondo sistem ático
Dejar que un agente LLM proponga y pruebe factores durante la noche
Apunta RD-Agent a un espacio de trabajo de Qlib con una clave de API de LLM; escribe código de factores, ejecuta backtests de Qlib y conserva lo que mejora la puntuación. El gasto en API crece con las iteraciones, y cada factor aceptado sigue necesitando revisión humana.
Antes de decidirte
- Puesta en marcha
- pip install pyqlib en Python 3.8 a 3.12 (se recomienda conda), o compilar desde el código fuente para tener v0.9.8; después hay que descargar el espejo comunitario o convertir tus propios datos CSV antes de que qrun haga algo útil.
- Integraciones
- API de Python y CLI qrun; modelos LightGBM, XGBoost, CatBoost y PyTorch; recolectores de Yahoo Finance; RD-Agent para búsqueda de factores y modelos guiada por LLM.
- Datos y privacidad
- Se ejecuta en tu propia máquina y no llama a ningún proveedor de modelos. Desde v0.9.8, los artefactos guardados y los módulos Python locales solo se cargan con un indicador trusted explícito, que conviene conceder solo a almacenamiento que controles.
- Coste a escala
- Sin edición de pago. Los costes son la licencia de datos de mercado, el tiempo de GPU para los modelos neuronales y, si añades RD-Agent, el gasto en API del LLM.
- Límites
- Unas 516 incidencias y pull requests abiertas; conjunto de datos oficial en pausa; los datos de Yahoo pueden ser imperfectos; el ejemplo de trading de alta frecuencia solo está publicado en parte; sin conexión a brókers reales.
Lo bueno
- 25 modelos de referencia ejecutables desde un único formato de configuración YAML
- Cadena de investigación completa: datos, entrenamiento, backtest, cartera y ejecución
- Marco de aprendizaje por refuerzo junto a modelos supervisados
- La versión de octubre de 2026 cierra vías de ejecución de código en configuraciones y artefactos
- Licencia MIT
Lo malo
- Descarga del conjunto oficial desactivada; los recolectores por defecto extraen de Yahoo Finance
- Una versión al año aproximadamente, y PyPI va por detrás de GitHub
- Los indicadores trusted de v0.9.8 rompen la recarga de artefactos antiguos
- Sin conexión a brókers; el trading real necesita otra capa
Ideal para
Investigadores cuantitativos y estudiantes que quieren un pipeline de ML probado y modelos de referencia para predecir acciones, y que aportarán sus propios datos limpios.
Alternativas a Qlib
Qlib: preguntas frecuentes
- ¿Merece la pena Qlib?
- Sigue siendo el marco open source de referencia para la investigación bursátil con machine learning, siempre que aportes tus propios datos y lo trates como banco de investigación y no como sistema de trading. Le damos un 4.1 sobre 5.
- ¿Cuánto cuesta Qlib?
- Gratuito y open source bajo MIT. Sin edición de pago; pagas los datos, el cómputo y, con RD-Agent, el uso de la API del LLM.
- ¿Qué inconvenientes tiene Qlib?
- Descarga del conjunto oficial desactivada; los recolectores por defecto extraen de Yahoo Finance; una versión al año aproximadamente, y PyPI va por detrás de GitHub; los indicadores trusted de v0.9.8 rompen la recarga de artefactos antiguos; sin conexión a brókers; el trading real necesita otra capa.
- ¿Para quién es Qlib?
- Investigadores cuantitativos y estudiantes que quieren un pipeline de ML probado y modelos de referencia para predecir acciones, y que aportarán sus propios datos limpios.
- ¿Cuánto cuesta Qlib para un equipo o en producción?
- Sin edición de pago. Los costes son la licencia de datos de mercado, el tiempo de GPU para los modelos neuronales y, si añades RD-Agent, el gasto en API del LLM.
- ¿Es Qlib seguro para los datos de la empresa?
- Se ejecuta en tu propia máquina y no llama a ningún proveedor de modelos. Desde v0.9.8, los artefactos guardados y los módulos Python locales solo se cargan con un indicador trusted explícito, que conviene conceder solo a almacenamiento que controles.
- ¿Cuáles son las mejores alternativas a Qlib?
- Las alternativas más cercanas que hemos analizado son Kronos, VeighNa (vn.py) y Vibe-Trading.
Respuestas comprobadas el 16 nov 2026.