Qlib é uma plataforma de investimento quantitativo orientada por IA que visa usar tecnologia de IA para capacitar a Pesquisa Quantitativa, desde a exploração de ideias até a implementação de produções. Qlib suporta diversos paradigmas de modelagem de ML, incluindo aprendizado supervisionado, modelagem de dinâmicas de mercado e RL,
Use ferramentas de IA para aprimorar sua pesquisa de investimento quantitativo e desenvolvimento de modelos.
Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.
Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.
Grátis · sem cartão · cancele quando quiserQlib é uma plataforma de investimento quantitativo orientada por IA que visa usar tecnologia de IA para capacitar a Pesquisa Quantitativa, desde a exploração de ideias até a implementação de produções. Qlib suporta diversos paradigmas de modelagem de ML, incluindo aprendizado supervisionado, modelagem de dinâmicas de mercado e RL,
qlib tem 46.8k estrelas no GitHub. Foi bifurcado 7.4k vezes. qlib é escrito principalmente em Python. Está em desenvolvimento ativo desde 2020. qlib está disponível sob a licença MIT. Os seus principais temas são: algorithmic-trading, auto-quant, deep-learning, finance.
Qlib é uma plataforma de investimento quantitativo orientada por IA que visa usar tecnologia de IA para capacitar a Pesquisa Quantitativa, desde a exploração de ideias até a implementação de produções. Qlib suporta diversos paradigmas de modelagem de ML, incluindo aprendizado supervisionado, modelagem de dinâmicas de mercado e RL,
qlib é um projeto de código aberto. É distribuído sob a licença MIT.
Sim. qlib é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.
qlib está disponível sob a licença MIT.
qlib é escrito principalmente em Python.
Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.
[](https://olud.ai/project/microsoft-qlib.html)
Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.