Qu’est-ce que Qlib ?
Qlib est la plateforme de Microsoft Research dédiée à la recherche en investissement quantitatif fondée sur l'IA. Elle couvre la chaîne depuis une couche de données financières point-in-time, en passant par l'entraînement et le backtesting, jusqu'à l'optimisation de portefeuille, l'exécution d'ordres et le service de modèles en ligne, et prend en charge l'apprentissage supervisé, la modélisation de la dynamique de marché et l'apprentissage par renforcement.
Le dossier examples/benchmarks contient 25 implémentations de modèles, de LightGBM, XGBoost et CatBoost à LSTM, GRU, Transformer, TabNet, TRA, HIST et DoubleEnsemble, chacune exécutable depuis une configuration YAML avec la commande qrun. La recherche de facteurs et de modèles pilotée par LLM se trouve dans un projet frère, RD-Agent, que le README présente comme la couche de R&D automatisée de Qlib.
Le dépôt compte environ 50 300 étoiles et une licence MIT. La dernière version GitHub, v0.9.8, est sortie en octobre 2026 comme version de renforcement de la sécurité ; PyPI sert toujours pyqlib 0.9.7, d'août 2025.
Qlib vaut-il le coup ?
Qlib mérite sa place comme vocabulaire commun de la recherche quantitative open source en ML. Son jeu de facteurs Alpha158, ses gestionnaires de données et son backtest servent de base à d'autres projets ; le module alpha de vn.py reprend Alpha158 tel quel et cite Qlib comme inspiration de sa conception. Disposer de 25 modèles de référence derrière un même format de configuration permet de comparer une nouvelle idée à LightGBM, un LSTM ou un Transformer en un après-midi plutôt qu'en une semaine.
Le point faible, ce sont les données. Le téléchargement du jeu de données officiel est désactivé, temporairement selon le README, en raison d'une politique de sécurité des données plus stricte, et les utilisateurs sont renvoyés vers un miroir maintenu par la communauté. Les collecteurs fournis récupèrent les données de Yahoo Finance, que les mainteneurs eux-mêmes disent possiblement imparfaites. Les utilisateurs sérieux convertiront les données de leur fournisseur avec les outils CSV ; qui espère un jeu propre et prêt à l'emploi sera déçu.
Le rythme des versions est tombé à environ une par an : v0.9.6 en décembre 2024, v0.9.7 en août 2025 et v0.9.8 en octobre 2026. La dernière porte sur la sécurité, pas sur les fonctions. Elle remplace l'évaluation des expressions de facteurs par un analyseur restreint, et le chargement d'artefacts enregistrés ou de modules Python locaux depuis les configurations exige désormais un indicateur trusted explicite. Cela casse le rechargement des anciens modèles, mais ferme une vraie faille : auparavant, un dossier d'expériences ou un fichier de configuration partagé permettait d'exécuter le code d'autrui. Environ 516 tickets et pull requests sont ouverts.
La couche LLM est externe. RD-Agent, le système multi-agents sous licence MIT qui extrait des facteurs et ajuste des modèles sur Qlib, compte environ 15 400 étoiles et exige une clé d'API LLM et un budget de calcul. Qlib lui-même n'appelle aucun fournisseur de modèles. Comme banc de recherche pour une équipe quant ou un doctorant, il reste l'option gratuite la plus solide ; comme système de trading réel, il lui faut en plus une couche courtier, des contrôles de risque et vos propres données.
Là où il fait la différence
Une équipe quant de deux personnes dans un family office
Vérifier si un nouveau facteur apporte quelque chose face aux modèles de référence
Elle convertit les données de son fournisseur avec les outils CSV, ajoute le facteur à Alpha158 et lance des configurations LightGBM et Transformer avec qrun ; le rapport de backtest compare le rendement excédentaire avec et sans lui. Gratuit hors calcul.
Un étudiant en master de finance
Reproduire pour son mémoire un modèle boursier de deep learning publié
Il part du dossier correspondant dans examples/benchmarks, qui fixe le modèle, les données et les réglages de backtest, puis change une variable à la fois. Les modèles à arbres tournent sur un portable ; les modèles neuronaux demandent un GPU.
Un ingénieur ML dans un fonds systématique
Laisser un agent LLM proposer et tester des facteurs pendant la nuit
Il pointe RD-Agent vers un espace de travail Qlib avec une clé d'API LLM ; l'agent écrit le code des facteurs, lance des backtests Qlib et garde ce qui améliore le score. La dépense d'API croît avec les itérations, et chaque facteur retenu exige encore une relecture humaine.
Avant de vous engager
- Mise en route
- pip install pyqlib sous Python 3.8 à 3.12 (conda recommandé), ou compilation depuis les sources pour obtenir v0.9.8 ; il faut ensuite télécharger le miroir communautaire ou convertir vos propres données CSV avant que qrun ne serve à quelque chose.
- Intégrations
- API Python et CLI qrun ; modèles LightGBM, XGBoost, CatBoost et PyTorch ; collecteurs Yahoo Finance ; RD-Agent pour la recherche de facteurs et de modèles pilotée par LLM.
- Données et confidentialité
- S'exécute sur votre machine et n'appelle aucun fournisseur de modèles. Depuis v0.9.8, les artefacts enregistrés et les modules Python locaux ne se chargent qu'avec un indicateur trusted explicite, à n'accorder qu'au stockage que vous contrôlez.
- Coût à grande échelle
- Pas d'édition payante. Les coûts sont votre licence de données de marché, le temps GPU des modèles neuronaux et, avec RD-Agent, la dépense d'API LLM.
- Limites
- Environ 516 tickets et pull requests ouverts ; jeu de données officiel suspendu ; les données Yahoo peuvent être imparfaites ; l'exemple de trading haute fréquence n'est publié qu'en partie ; aucune connexion courtier réelle.
Les points forts
- 25 modèles de référence exécutables depuis un format de configuration YAML unique
- Chaîne de recherche complète : données, entraînement, backtest, portefeuille et exécution
- Cadre d'apprentissage par renforcement à côté des modèles supervisés
- La version d'octobre 2026 ferme des voies d'exécution de code dans les configurations et artefacts
- Licence MIT
Les points faibles
- Téléchargement du jeu officiel désactivé ; les collecteurs par défaut puisent dans Yahoo Finance
- Environ une version par an, et PyPI est en retard sur GitHub
- Les indicateurs trusted de v0.9.8 cassent le rechargement d'anciens artefacts
- Aucune connexion courtier ; le trading réel exige une autre couche
Idéal pour
Chercheurs quantitatifs et étudiants qui veulent un pipeline ML éprouvé et des modèles de référence pour la prévision boursière, et qui fourniront leurs propres données propres.
Alternatives à Qlib
Qlib : questions fréquentes
- Qlib vaut-il le coup ?
- Toujours le cadre open source de référence pour la recherche boursière par machine learning, à condition d'apporter vos propres données et de le traiter comme un banc de recherche plutôt qu'un système de trading. Nous lui donnons 4.1 sur 5.
- Combien coûte Qlib ?
- Gratuit et open source sous MIT. Pas d'édition payante ; vous payez les données, le calcul et, avec RD-Agent, l'usage de l'API du LLM.
- Quels sont les inconvénients de Qlib ?
- Téléchargement du jeu officiel désactivé ; les collecteurs par défaut puisent dans Yahoo Finance; environ une version par an, et PyPI est en retard sur GitHub; les indicateurs trusted de v0.9.8 cassent le rechargement d'anciens artefacts; aucune connexion courtier ; le trading réel exige une autre couche.
- À qui s’adresse Qlib ?
- Chercheurs quantitatifs et étudiants qui veulent un pipeline ML éprouvé et des modèles de référence pour la prévision boursière, et qui fourniront leurs propres données propres.
- Combien coûte Qlib pour une équipe ou en production ?
- Pas d'édition payante. Les coûts sont votre licence de données de marché, le temps GPU des modèles neuronaux et, avec RD-Agent, la dépense d'API LLM.
- Qlib est-il sûr pour les données de l’entreprise ?
- S'exécute sur votre machine et n'appelle aucun fournisseur de modèles. Depuis v0.9.8, les artefacts enregistrés et les modules Python locaux ne se chargent qu'avec un indicateur trusted explicite, à n'accorder qu'au stockage que vous contrôlez.
- Quelles sont les meilleures alternatives à Qlib ?
- Les alternatives les plus proches que nous avons testées sont Kronos, VeighNa (vn.py) et Vibe-Trading.
Réponses vérifiées le 16 nov. 2026.