Qlib ist eine KI-orientierte Quant-Investitionsplattform, die darauf abzielt, KI-Technologie zu nutzen, um Quant-Forschung zu stärken, von der Ideenfindung bis zur Implementierung von Produktionen. Qlib unterstützt verschiedene ML-Modellierungsparadigmen, einschließlich überwachten Lernens, Marktmodellierung und RL.
Nutze KI-Tools, um deine quantitativen Investitionsforschungen und Modellentwicklungen zu verbessern.
Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.
Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.
Kostenlos · ohne Karte · jederzeit abbestellbarQlib ist eine KI-orientierte Quant-Investitionsplattform, die darauf abzielt, KI-Technologie zu nutzen, um Quant-Forschung zu stärken, von der Ideenfindung bis zur Implementierung von Produktionen. Qlib unterstützt verschiedene ML-Modellierungsparadigmen, einschließlich überwachten Lernens, Marktmodellierung und RL.
qlib hat 46.8k Sterne auf GitHub. Es wurde 7.4k-mal geforkt. qlib ist hauptsächlich in Python geschrieben. Es wird seit 2020 aktiv entwickelt. qlib ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: algorithmic-trading, auto-quant, deep-learning, finance.
Qlib ist eine KI-orientierte Quant-Investitionsplattform, die darauf abzielt, KI-Technologie zu nutzen, um Quant-Forschung zu stärken, von der Ideenfindung bis zur Implementierung von Produktionen. Qlib unterstützt verschiedene ML-Modellierungsparadigmen, einschließlich überwachten Lernens, Marktmodellierung und RL.
qlib ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.
Ja. qlib ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.
qlib ist unter der MIT-Lizenz verfügbar.
qlib ist hauptsächlich in Python geschrieben.
Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.
[](https://opensourceai.tech/project/microsoft-qlib.html)
Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.