Qlib上手学习记录（3）--数据准备

使用Qlib 进行数据处理工作流程的示例：

1. 用户下载数据并将数据转换为Qlib格式（文件名后缀为.bin）。在此步骤中，通常仅将一些基本数据存储在磁盘上（例如OHLCV）。O (Open)：开盘价，即该交易日内第一笔成交的价格。
   H (High)：最高价，该交易日内成交价格的最高点。
   L (Low)：最低价，该交易日内成交价格的最低点。
   C (Close)：收盘价，即该交易日内最后一笔成交的价格。
   V (Volume)：成交量，该交易日内所有成交的数量总和。
2. 基于Qlib的表达式引擎创建一些基本功能（例如“Ref($close, 60) / $close”，最近60个交易日的回报）。可以在此链接找到表达式引擎中支持的运算符。此步骤通常在 Qlib 的Data Loader中实现，它是Data Handler的一个组件。
3. 如果用户需要更复杂的数据处理（例如数据标准化）， Data Handler支持用户定制的处理器来处理数据（一些预定义的处理器可以在这里找到）。处理器与表达式引擎中的运算符不同。它是针对一些复杂的数据处理方法而设计的，这些方法在表达式引擎的运算符中很难支持。
4. 最后，Dataset负责从 Data Handler 处理后的数据中准备模型特定的数据集

数据准备
Qlib专门设计了一个数据结构来管理财务数据，详细信息请参考Qlib论文中的文件存储设计部分。此类数据将以文件名后缀.bin存储（我们将它们称为.bin文件、.bin格式或 qlib 格式）。.bin文件专为金融数据的科学计算而设计。

Alpha360 和 Alpha158 是两套生成交易信号或特征的系统。在量化交易中，这些"Alpha"系统用于捕捉能够预测股票价格变动的模式。
Alpha360 可能包含360个不同的特征，覆盖多种市场情况和交易数据，用来构建全面的交易模型。
Alpha158 则包含158个特征，可能侧重于特定类型的市场数据或技术指标。
此外，Qlib还提供了高频数据集。用户可以通过此链接运行高频数据集示例。

Qlib格式数据集
Qlib提供了现成的.bin格式的数据集，用户可以使用脚本scripts/get_data.py下载China-Stock数据集，如下所示。用户还可以使用 numpy 加载.bin文件来验证数据。成交量数据看起来与实际成交价格有所不同，因为它们经过了调整（调整后的价格）。然后你可能会发现，不同的数据源调整后的价格可能会有所不同。这是因为不同的数据源调整价格的方式可能会有所不同。 Qlib在调整时将每只股票的第一个交易日价格归一化为1。用户可以利用$factor得到原始交易价格（例如$close / $factor得到原始收盘价）。

以下是关于Qlib价格调整的一些讨论：
讨论区

# download 1d
python scripts