Microsoft Qlib入门指南 — 面向中文开发者的完整指南(含Toss Open API集成测试)

1. Qlib项目概述

Qlib是Microsoft Research(MSRA)于2020年9月开源的AI导向量化投资平台。它覆盖了数据处理、模型训练、回测的完整机器学习流程,涵盖从alpha发现→风险建模→投资组合优化→订单执行的整个量化投资工作流。

它支持三种学习范式:

范式	目的	代表性实现
监督学习	发现复杂的非线性市场模式	LightGBM、GRU、Transformer(25种以上模型)
市场动态适应	应对概念漂移、非平稳性	DDG-DA、Rolling Retraining
强化学习	持续交易决策、订单执行优化	PPO、OPDS

RD-Agent(基于LLM的自主研发代理)进一步扩展了这一能力,实现因子的自动发现与模型优化。相关论文:"R&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization"(arXiv:2505.15155)。

项目规模:GitHub星标约4万,fork数超过6,000(截至2026年)。是Python量化领域顶级的开源项目。

2. 主要优势

2.1 一体化流水线

数据处理→因子计算→模型训练→回测→报告分析→在线服务,全部集成在一个框架中。相比拼接zipline(仅回测)、backtrader(仅策略)以及独立因子库的方式,大幅降低了集成成本。

2.2 经过验证的高性能数据基础设施

Qlib设计了自己的金融时间序列二进制存储格式,并配备两层缓存(ExpressionCache、DatasetCache)。官方基准测试(800只股票×14个因子,2007-2020年日线数据,单CPU):

存储方式	耗时(秒)	相比Qlib完整缓存
MySQL	365.3 ± 7.5	约慢49倍
InfluxDB	368.2 ± 3.6	约慢50倍
MongoDB	253.6 ± 6.7	约慢34倍
HDF5	184.4 ± 3.7	约慢25倍
Qlib(无缓存)	147.0 ± 8.8	约慢20倍
Qlib(+ExpressionCache)	47.6 ± 1.0	约慢6倍
Qlib(+Expression+Dataset缓存)	7.4 ± 0.3	基准值

在64核CPU上,无缓存降至8.8秒,仅ExpressionCache降至4.2秒。通用数据库由于多层接口和不必要的格式转换,在金融数据加载方面存在结构性劣势。

2.3 基于表达式的因子引擎

将因子定义为字符串表达式,如Ref($close, 1)/$close - 1,引擎会自动处理向量化计算和缓存。相比pandas的rolling/shift组合,代码量大幅减少;由于缓存复用,在迭代实验中速度尤为快。

2.4 可复现的模型库

从GBDT系列(LightGBM、XGBoost、CatBoost)到深度学习(LSTM、GRU、ALSTM、GATs、Transformer、Localformer、TRA、TCN、ADARNN、ADD、IGMTF、HIST、KRNN、Sandwich、TabNet、DoubleEnsemble、TCTS、SFM、TFT)——提供25种以上的SOTA模型,可在相同数据集(Alpha158/Alpha360)和相同回测条件下进行比较。称其为"唯一能够直接复现论文数值的量化框架"并不为过。

2.5 内置的非平稳性应对工具

Rolling Retraining以及基于元学习的DDG-DA可应对市场机制的变化,并附带基准测试。这是Qlib独有的领域,几乎没有其他开源回测工具具备这一能力。

2.6 通过RD-Agent实现自动化研发

LLM可自主运行因子假设→编码→回测→评估→改进的循环。还支持从研究报告(PDF)中提取因子。演示地址:rdagent.azurewebsites.net

3. 与同类项目的比较

项目	性质	相对Qlib的定位
zipline / zipline-reloaded	基于事件的回测引擎	仅限回测。没有机器学习流水线或因子引擎。Quantopian关闭后由社区维护
backtrader	基于事件的回测引擎	策略逻辑能力强;机器学习集成需手动完成。使用者较多
vectorbt	向量化回测引擎	速度非常快,但并非因子研究/模型训练框架
QuantConnect(LEAN)	云端量化平台	在实盘交易集成方面表现出色,支持C#/Python。在研究可复现性方面Qlib更具优势
Qbot / QuantMind / qlib-learning	基于Qlib的上层应用	以Qlib为核心引擎。适合快速探索

总结来说,Qlib占据了一个几乎没有竞争对手的独特位置——AI模型研究+回测一体化。但实盘订单执行(券商API)不在其范围内,实际交易需要自行构建执行层。

4. 安装

4.1 环境要求

项目	详情
操作系统	Linux、Windows、macOS(推荐Linux——部分脚本如`run_all_model.py`仅限Linux)
Python	官方支持3.8~3.12
包管理器	强烈推荐使用Conda(系统自带Python可能缺少头文件导致编译失败)
必需依赖	numpy、cython、lightgbm、pytorch(用于深度学习模型)

conda create -n qlib python=3.10
conda activate qlib

4.2 三种安装方式

方式一:pip(稳定版,推荐)

pip install pyqlib

方式二:源码安装(获取最新main分支功能)

pip install numpy
pip install --upgrade cython

git clone https://github.com/microsoft/qlib.git && cd qlib
pip install .            # 开发用途:pip install -e ".[dev]"

注意:旧版的python setup.py install已被弃用。请始终使用pip install .。

方式三:Docker(隔离环境)

docker pull pyqlib/qlib_image_stable:stable
docker run -it --name qlib -v <local_dir>:/app pyqlib/qlib_image_stable:stable

Apple Silicon(M1/M2/M3)Mac用户:由于缺少OpenMP,LightGBM编译可能失败。请先执行brew install libomp。

验证安装:

import qlib
print(qlib.__version__)   # 0.9.x

4.3 数据准备 — 重要变更

【截至2026年】由于数据安全政策收紧,官方数据下载脚本已暂时停用。官方README推荐使用chenditc维护的社区版investment_data仓库。旧文档中的python scripts/get_data.py qlib_data_cn ...命令已不再可用。推荐:社区数据集(中国A股,基于TuShare,每日更新)

wget https://github.com/chenditc/investment_data/releases/latest/download/qlib_bin.tar.gz
mkdir -p ~/.qlib/qlib_data/cn_data
tar -zxvf qlib_bin.tar.gz -C ~/.qlib/qlib_data/cn_data --strip-components=1
rm -f qlib_bin.tar.gz

官方脚本(恢复后,基于Yahoo Finance爬虫)

# 日线
python -m qlib.cli.data qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn
# 1分钟线
python -m qlib.cli.data qlib_data --target_dir ~/.qlib/qlib_data/cn_data_1min --region cn --interval 1min

数据完整性检查(建议养成的习惯):

python scripts/check_data_health.py check_data --qlib_dir ~/.qlib/qlib_data/cn_data

4.4 初始化

import qlib
from qlib.constant import REG_CN

provider_uri = "~/.qlib/qlib_data/cn_data"
qlib.init(provider_uri=provider_uri, region=REG_CN)

region支持REG_CN(中国)、REG_US(美国)、REG_TW(台湾)。region会影响数据路径以及交易约束规则(中国的涨跌停限制、T+1、最小交易单位),因此在使用自定义市场数据时,应在回测配置中单独审查交易规则。

5. 首次运行工作流

5.1 通过qrun自动化(基于配置文件)

qrun通过单个YAML文件自动完成数据集构建→模型训练→信号生成→回测→评估。

cd examples    # 重要:从qlib仓库根目录运行会导致import冲突
qrun benchmarks/LightGBM/workflow_config_lightgbm_Alpha158.yaml

输出示例(CSI300+Alpha158+LightGBM,来自官方README):

'The following are analysis results of the excess return without cost.'
annualized_return   0.178316    # 年化超额收益17.83%
information_ratio   1.996555
max_drawdown       -0.081806

'The following are analysis results of the excess return with cost.'
annualized_return   0.128982    # 计入成本后为12.90%
information_ratio   1.444287
max_drawdown       -0.091078

请注意无成本与含成本收益率之间约5个百分点的差距。该框架默认展示了为什么不应轻信无成本回测数字这一道理。

5.2 基于代码的自定义工作流

如果qrun的自动工作流不适用,可以直接组装模块:

import qlib
from qlib.constant import REG_CN
from qlib.utils import init_instance_by_config
from qlib.workflow import R
from qlib.workflow.record_temp import SignalRecord, PortAnaRecord

qlib.init(provider_uri="~/.qlib/qlib_data/cn_data", region=REG_CN)

market = "csi300"
benchmark = "SH000300"

data_handler_config = {
    "start_time": "2008-01-01",
    "end_time": "2020-08-01",
    "fit_start_time": "2008-01-01",
    "fit_end_time": "2014-12-31",
    "instruments": market,
}

task = {
    "model": {
        "class": "LGBModel",
        "module_path": "qlib.contrib.model.gbdt",
        "kwargs": {"loss": "mse", "num_leaves": 210, "learning_rate": 0.05},
    },
    "dataset": {
        "class": "DatasetH",
        "module_path": "qlib.data.dataset",
        "kwargs": {
            "handler": {
                "class": "Alpha158",
                "module_path": "qlib.contrib.data.handler",
                "kwargs": data_handler_config,
            },
            "segments": {
                "train": ("2008-01-01", "2014-12-31"),
                "valid": ("2015-01-01", "2016-12-31"),
                "test":  ("2017-01-01", "2020-08-01"),
            },
        },
    },
}

model = init_instance_by_config(task["model"])
dataset = init_instance_by_config(task["dataset"])

with R.start(experiment_name="my_first_workflow"):
    model.fit(dataset)
    R.save_objects(trained_model=model)
    rec = R.get_recorder()
    SignalRecord(model, dataset, rec).generate()

5.3 通过表达式引擎直接查询数据

from qlib.data import D

# 简单查询
df = D.features(
    ["SH600000"],
    ["$close", "$volume"],
    start_time="2020-01-01", end_time="2020-12-31", freq="day",
)

# 即时定义因子:5日动量、20日波动率
df = D.features(
    D.instruments("csi300"),
    ["Ref($close, 5)/$close - 1", "Std($close/Ref($close,1)-1, 20)"],
    start_time="2019-01-01", end_time="2020-12-31",
)

表达式字符串本身就是因子定义;结果会缓存在ExpressionCache中,后续调用速度显著提升。

5.4 图形化报告

python -m pip install ".[analysis]"
jupyter notebook examples/workflow_by_code.ipynb

可用报告包括:分组累计收益、多空收益分布、IC/月度IC、信号自相关性、组合回测收益曲线。

6. 基准测试 — 模型性能比较

6.1 理解数据集:Alpha158对比Alpha360

数据集	特点	最适合的模型类型
Alpha158	158个人工设计的因子(典型的特征工程)。特征之间的空间关系较弱	GBDT系列(LightGBM、CatBoost等)
Alpha360	最近60天的原始价格/成交量(特征工程最少)。时间空间关系较强	深度学习模型(GRU、ALSTM、TRA等)

这一区分很重要,因为"表格数据中GBDT胜出,原始时间序列中神经网络胜出"这一通用机器学习规律在Qlib的基准测试中得到了忠实的复现。应根据自己因子的特性来选择模型系列,盲目使用"最热门的模型"效率低下。

6.2 市场动态适应基准测试(CSI500、Alpha158、2017.01-2020.08滚动)

模型	IC	ICIR	Rank IC	年化收益	IR	最大回撤
RR[Linear]	0.0945	0.5989	0.1069	8.57%	1.368	-9.86%
DDG-DA[Linear]	0.0983	0.6157	0.1108	7.64%	1.190	-7.69%
RR[LightGBM]	0.0816	0.5887	0.0912	7.71%	1.320	-9.09%
DDG-DA[LightGBM]	0.0878	0.6185	0.0975	12.61%	2.010	-7.44%

核心结论:将DDG-DA(元学习分布适应)与LightGBM结合,相比简单的滚动再训练,年化收益提升了4.9个百分点,IR从1.32提升到2.01。同一个模型,采用不同的市场变化适应策略,结果会截然不同。

6.3 完整模型比较表

25种以上模型的性能比较维护在: https://github.com/microsoft/qlib/blob/main/examples/benchmarks/README.md

如需自行运行多个模型(仅限Linux):

python run_all_model.py run 10          # 全部模型,迭代10次
python run_all_model.py run 3 lightgbm Alpha158 csi500   # 指定模型/数据集/股票池

官方文档建议对于具有随机性的深度学习模型进行20次以上迭代。仅凭单次运行来判断模型优劣在统计上是没有意义的。

7. 面向中文开发者的实践部分:KRX(韩国交易所)数据集成

Qlib并未官方支持韩国市场(region仅限CN/US/TW)。但由于存在CSV→Qlib二进制转换工具(dump_bin.py),集成KOSPI/KOSDAQ数据相对简单。

7.1 通过pykrx采集数据→生成CSV

# pip install pykrx
from pykrx import stock
import pandas as pd, os

os.makedirs("csv_kr", exist_ok=True)
tickers = stock.get_market_ticker_list(market="KOSPI")

for t in tickers[:50]:   # 示例:前50只股票
    df = stock.get_market_ohlcv("20180101", "20260630", t)
    df = df.reset_index().rename(columns={
        "날짜": "date", "시가": "open", "고가": "high",
        "저가": "low", "종가": "close", "거래량": "volume",
    })
    df["symbol"] = t
    # Qlib约定:用于调整价格计算的factor列(未调整时为1.0)
    df["factor"] = 1.0
    df.to_csv(f"csv_kr/{t}.csv", index=False)

7.2 转换为Qlib二进制格式

python scripts/dump_bin.py dump_all \
    --csv_path ./csv_kr \
    --qlib_dir ~/.qlib/qlib_data/kr_data \
    --include_fields open,close,high,low,volume,factor \
    --date_field_name date --symbol_field_name symbol

7.3 韩国市场数据的必查清单

项目	详情
调整后价格(factor)	需确认pykrx的OHLCV是否反映了调整后价格。若未针对拆股/分红进行调整就进行回测,收益将会失真
交易规则	使用`region=REG_CN`会应用中国的±10%涨跌停限制和T+1规则。需针对韩国规则(±30%涨跌停、T+0回转交易)自定义回测执行器
停牌/退市	需纳入已退市股票以避免幸存者偏差。pykrx以当前上市股票为中心,需了解这一限制
交易日历	检查`~/.qlib/qlib_data/kr_data/calendars/day.txt`确认韩国节假日日历是否自动生成
基准指数	应将KOSPI200作为单独的symbol添加,用于回测基准比较
Alpha158因子	因子定义是市场中性的,可适用于韩国数据。但必须重新验证——CSI300的IC在韩国市场可能无法复现

7.4 Toss Open API与Qlib中间件(Node.js/TypeScript+Redis)

Qlib是一个Python框架,但Qlib实际所需要的只是"符合其格式的数据"。数据管道可以用任何语言构建。本节介绍一个中间件,它从Toss证券的Open API获取价格数据,将其规范化为Qlib CSV格式(date,open,high,low,close,volume,symbol,factor),并提供给dump_bin.py使用。

范围:仅限认证以及市场/标的数据查询。有意排除了订单的创建、修改、取消(交易)功能。 具体原因见7.4.6节。

代码位于TechDoc/Quant_Qlib/toss-qlib-middleware/(韩文README / 英文README / llms.txt)。Toss Open API的认证/端点规范已与本仓库现有的Toss/项目保持一致。

7.4.1 为什么需要中间件

Qlib的dump_bin.py只需理解CSV格式,Qlib引擎只关心后续的二进制格式和缓存。而Toss Open API存在OAuth2认证、令牌过期、速率限制、分页等"API客户端问题"。将认证/调用管理与因子/建模分离,可以使两者都保持清晰简洁。

TOSS Open API  --OAuth2-->  [Node.js/TS中间件]  --CSV(csv_kr/*.csv)-->  scripts/dump_bin.py  -->  ~/.qlib/qlib_data/kr_data
                                   |
                                 Redis(令牌缓存+价格缓存)

7.4.2 认证(OAuth2 Client Credentials)

Toss证券的Open API采用OAuth2 Client Credentials Grant(无需用户登录)。规范已通过Toss/src/toss.js和Toss/docs/Toss_OpenAPI_Guide.md核实:

登录Toss WTS→设置→Open API菜单→发行client_id / client_secret
将grant_type=client_credentials、client_id、client_secret作为form-urlencoded请求体(而非Basic Auth头)发送至POST {baseUrl}/oauth2/token→返回access_token、expires_in
有效期为86,400秒(24小时),无refresh token——需实现在过期前主动重新发行
后续所有调用均使用Authorization: Bearer {access_token}头
账户级API需要额外的X-Tossinvest-Account头(未实现——中间件不调用账户/订单相关API)

核实状态:官方文档(developers.tossinvest.com/docs)使用JavaScript渲染,但向POST /oauth2/token发送上述form-body请求时(即使使用错误的凭证)会返回{"error":"invalid_client", ...}——通过实际测试确认了端点路径和请求格式。确切的K线/价格响应字段结构尚未确认,因此中间件以防御性方式接受多个候选键名。需要注意的是,截至2026年6月,该服务本身仍处于预注册阶段,尚无确定的上线日期。

7.4.3 Redis缓存策略

缓存对象	键	TTL	原因
访问令牌	`toss:access_token`	`86400 - safety_margin(默认1小时)`	由于没有refresh token,必须在过期前较早主动重新发行
令牌重发行锁	`toss:access_token:lock`	10秒(`SET NX`)	防止多个请求同时检测到过期而引发的惊群效应
已确定的历史K线	`toss:candles:{symbol}:{interval}:{start}:{end}`	1天(`CANDLE_TTL_HISTORICAL_SEC`)	已收盘的K线不会再变化,因此可长期缓存
当日(未确定)K线	相同的键	短时间(`CANDLE_TTL_TODAY_SEC`,默认30秒)	交易时段内当前K线会持续更新
当前价格	`toss:price:{symbol}`	短时间(`PRICE_TTL_SEC`,默认5秒)	按标的缓存可实现跨批次复用

401(令牌过期/无效)→立即清除缓存并重试一次。429(速率限制)→检查Retry-After头并进行退避。K线API每次请求最多返回200条,且没有start/end过滤器,因此需通过before游标从最新数据向后分页,再按升序排列(与Toss/src/toss.js采用的策略相同)。

7.4.4 安装与运行

cd TechDoc/Quant_Qlib/toss-qlib-middleware
npm install
npm run setup       # 交互式生成.env+可选的实时令牌发行测试
npm run typecheck
npm test            # 无需Redis服务器即可通过(逻辑验证使用内存适配器)
npm run dev         # http://localhost:4000,需要实际的Redis

核心.env配置项(与Toss/.env.example使用相同的键名):

TOSS_BASE_URL=https://openapi.tossinvest.com
TOSS_TOKEN_PATH=/oauth2/token
TOSS_CANDLES_PATH=/api/v1/candles
TOSS_PRICES_PATH=/api/v1/prices
REDIS_URL=redis://127.0.0.1:6379
QLIB_CSV_EXPORT_DIR=./csv_kr

所有端点路径均通过环境变量配置,更改.env即可,无需修改代码。

7.4.5 API与Qlib流水线集成

中间件的端点:

方法	路径	说明
GET	`/health`	健康检查
GET	`/api/candles/:symbol?start=&end=&interval=day`	规范化的K线JSON数据(通过Redis缓存,内置`before`分页)
GET	`/api/prices?symbols=005930,000660`	批量获取当前价格(逗号分隔,按200个一批分块)
POST	`/api/export/qlib` `{symbols, start, end, outDir?}`	获取多个标的→输出为`csv_kr/{symbol}.csv`(格式参见7.1节)

无需启动服务器,仅生成CSV的CLI方式:

npm run export:qlib -- --symbols 005930,000660 --start 2020-01-01 --end 2026-07-01

生成的CSV可直接输入到7.2节的转换命令中。

7.4.6 为何不包含交易(订单执行)功能

该中间件是一个数据管道,而非订单执行系统。Qlib本身(见第3节)也将实盘订单集成排除在范围之外,第8.3节也警告过回测表现并不能保证实盘结果。认证和价格查询是值得作为中间件进行标准化的通用基础,但订单逻辑(状态管理、幂等性/防重复、风险限额、成交确认)会因策略和风险承受能力的不同而存在巨大差异,通用实现方式反而具有危险性。

如需扩展,请参见src/trading/README.md。可以复用TossAuthService(令牌缓存)和TossApiClient(HTTP模式),但实盘订单代码必须先在小额/模拟环境中进行验证。

8. 常见陷阱 — 实际会遇到的问题

8.1 环境/安装

不要从仓库根目录导入:在qlib仓库根目录下执行import qlib会导致ModuleNotFoundError: No module named 'qlib.data._libs.rolling'(本地文件夹遮蔽了该包)。请始终先执行cd examples。
pandas 2.x兼容性:pandas从1.5升级到2.0后,groupby的group_key默认值发生变化,可能导致TRA数据集、TFT以及强化学习订单执行脚本出错。将版本固定为pandas<2.0是最快的临时解决方案。
TFT模型需要Python 3.6-3.7+tensorflow 1.15:在现代环境中无法运行。请检查各模型对应的requirements.txt。
无Redis也可运行:核心功能在没有Redis的情况下也能正常工作,仅缓存部分会被禁用。若使用Redis且锁卡住,会抛出QlibCacheException——删除对应的Redis键即可解决。
Windows上的multiprocessing问题:RuntimeError: An attempt has been made to start a new process...——这是在未使用if __name__ == "__main__":保护的情况下运行时,Windows平台上的典型问题。

8.2 数据质量

Yahoo Finance数据的局限性:官方爬虫使用Yahoo Finance数据,文档本身也承认存在缺失/错误。官方建议使用自己的高质量数据。建议将check_data_health.py常驻集成到数据管道中。
离线数据无法增量更新:官方分发的数据为缩减体积而移除了部分字段,因此无法进行增量更新。如需持续更新,应从零开始构建包含增量更新机制的自有采集器。

8.3 方法论 — 最为重要

前视偏差:使用负值Ref(例如Ref($close, -1))构建的自定义因子会引用未来数据。这在定义标签时是必要的,但一旦泄漏进特征中,回测便毫无意义。
交易成本与滑点:如5.1节所示,成本会使年化收益从17.8%变为12.9%。在韩国市场,应在执行器设置中反映交易税(0.18%起)、手续费以及买卖价差滑点。
过拟合:在验证集上反复调整超参数,必然会使测试表现被高估。相比单一的train/valid/test划分,滚动验证(benchmarks_dynamic方式)更为可靠。
IC为0.05并不代表"良好",而只是一个起点:日频IC在0.03~0.05水平的信号通常无法覆盖交易成本和容量限制。应关注ICIR(稳定性)和经成本调整后的IR,而不仅仅是IC本身。
回测不等于实盘执行:Qlib的回测表现并不能保证实盘结果。订单簿深度、成交延迟、市场冲击都是独立的问题。Qlib的强化学习订单执行模块在一定程度上弥补了这一差距,但并不完善。

一句话总结:Qlib是一台计算器,而不是神谕。 无论框架多么精巧,最终结果都取决于输入数据的质量和方法论上的严谨性。

9. RD-Agent集成(可选)

pip install rdagent
# 设置LLM API密钥后:
rdagent fin_factor    # 因子发现循环
rdagent fin_model     # 模型优化循环
rdagent fin_factor_report --report_folder=<PDF文件夹>   # 基于报告的因子提取

注意:RD-Agent会产生相当可观的LLM API费用(每个因子循环需要数十到数百次调用),生成的因子需要独立进行统计验证。自动化并不能替代验证。

10. 推荐学习路径

阶段	任务	预估耗时
1	安装+下载社区数据+运行一次`qrun` LightGBM基准测试	半天
2	通过`workflow_by_code.ipynb`解读报告(IC、分组收益、回测曲线)	1天
3	通过表达式引擎定义3个自定义因子→添加到Alpha158→比较性能	2~3天
4	KRX数据转换+韩国市场回测流水线	1周
4.5	(可选)通过Toss Open API中间件(7.4节)自动化第4步的CSV生成	2~3天
5	采用滚动再训练(benchmarks_dynamic)→与单一划分方式比较	1周
6	(可选)强化学习订单执行/RD-Agent实验——实盘订单集成需自行实现(见7.4.6节)	后续持续进行

11. 参考资料

资源	链接
GitHub仓库	https://github.com/microsoft/qlib
官方文档	https://qlib.readthedocs.io
模型基准测试表	https://github.com/microsoft/qlib/blob/main/examples/benchmarks/README.md
动态适应基准测试	https://github.com/microsoft/qlib/tree/main/examples/benchmarks_dynamic
社区数据(中国)	https://github.com/chenditc/investment_data/releases
RD-Agent	https://github.com/microsoft/RD-Agent
Qlib论文	https://arxiv.org/abs/2009.11189
R&D-Agent-Quant论文	https://arxiv.org/abs/2505.15155
Qlib-Server(在线模式)	https://github.com/microsoft/qlib-server
Toss证券Open API文档	https://developers.tossinvest.com/docs
Toss↔Qlib中间件(本仓库)	`TechDoc/Quant_Qlib/toss-qlib-middleware`
Toss API参考项目(本仓库)	`Toss/` ——可运行的仪表盘,包含GUIDE.md及docs/Toss_OpenAPI_Guide.md

本文档撰写于2026年7月5日,基于与microsoft/qlib main分支及官方文档的交叉验证。所有指标(基准测试、性能比较)均来自官方仓库公开资料,复现结果可能因运行环境而异。第7.4节的Toss Open API中间件已依据本仓库Toss/项目的源代码与文档对齐认证规范,并通过自有单元测试(npm test,10项通过)验证了逻辑正确性。POST /oauth2/token(即使使用错误凭证)返回了invalid_client响应,通过实际测试确认了端点路径与请求格式,但确切的K线/价格响应字段结构仍需在实际账户开通后重新核实。