Kronos K线预测完全指南金融大模型原理、实测效果与部署教程【免费下载链接】KronosKronos: A Foundation Model for the Language of Financial Markets项目地址: https://gitcode.com/GitHub_Trending/kronos14/KronosKronos 金融大模型是首个开源的 K 线序列基础模型它把 OHLCV K 线当作一种语言用自回归方式直接生成未来的 K 线。如果你写过量化策略多半经历过这样的循环换一只票、换一个周期模型就要重新训练一遍模型吐出来的只有单点预测没有波动范围想验证想法还得先搭一套数据管道。Kronos 的思路是先在 45 个以上全球交易所的数据上预训练出一个通用底座你再针对自己的标的做轻量微调几行代码就能拿到带成交量的多步 K 线预测。一句话说清 Kronos 是什么Kronos 是一个 decoder-only 的基础模型家族专门针对金融 K 线蜡烛图序列预训练解决的是高噪声、多市场、多周期下的价格预测问题。它分两个阶段工作先用一个专用分词器把连续的 OHLCV 数据量化成离散 token再在这些 token 上用自回归 Transformer 做预训练。你拿到的是 Hugging Face 风格的from_pretrained接口输入一个 DataFrame输出一段预测的 K 线。对比维度Kronos 金融大模型通用时序基础模型传统量化模型ARIMA/LSTM 等预训练语料45 全球交易所的 OHLCV K 线通用单/多变量时间序列无预训练按单标的从零训练输入形式分层离散 token粗粒度 细粒度双子 token原始连续值原始数值序列输出形式自回归采样可生成多条预测路径单点预测为主单点预测跨市场迁移预训练底座 自有数据微调即可适配通常在目标域效果衰减明显每个标的/周期单独建模核心原理K 线分词 因果 Transformer为什么先把 K 线变成 Token金融数据噪声大、量纲杂价格可能差两个数量级成交量更是另一个世界直接喂连续值给 Transformer模型要先花容量去对齐量纲。Kronos 的做法类似语言模型处理文本先把 K 线离散化成 token让自回归模型专注学序列规律本身而不是数值缩放。BSQ 分块量化一个 Token 两层精度分词器采用 BSQBinary Spherical Quantization二值球面量化。每一根 K 线被编码成一个 tokentoken 内部拆成两段高位的粗粒度子 token 负责宏观形态涨/跌、影线结构低位的细粒度子 token 负责微观细节精确价位、成交量梯度。类比拍照粗 token 是缩略图细 token 是原图模型先定方向再补细节。自回归预训练只让模型看过去预测器是叠 N 层的因果 Transformer Block注意力掩码保证位置 t 只能看到 t 之前的 token——这是防未来函数泄露的结构性保证不靠后处理。推理时按temperature/top_p逐 token 采样同一历史输入可采样出多条预测路径再平均天然给出概率化输出。左K 线经 Tokenizer 编码器、BSQ 量化、解码器重构的分词流程右粗/细双粒度 token 在因果 Transformer 中的自回归预训练结构K 线预测准不准用官方示例和数字说话官方预测示例400 根历史推 120 根未来官方示例脚本以 400 根历史 K 线为上下文预测未来 120 根。在下图的 500 步测试序列中红色预测段约第 400 步之后的收盘价曲线跟住了真实值的下行—回升—再上行走势转折点位置基本对齐成交量图里预测段对几个放量尖峰的位置和量级都有覆盖。需要说明这是单一示例样本不等于全市场平均水平。上收盘价真实值蓝与 Kronos K 线预测红对比下成交量真实值与预测值对比微调实例A 股日线与港股 5 分钟数据仓库里附带了 A 股日线预测的完整输出示例以 000021 为例示例脚本给出价格、成交量、日涨跌幅、市场因子评分四个面板并在图上标注了预测最高价 25.88 元、最低价 18.41 元、最终预测价 19.31 元方便直接对照实际走势复盘。000021 日线 K 线预测价格走势、成交量、涨跌幅与市场因子评分四联图CSV 微调管线则用了阿里巴巴港股099885 分钟数据回看窗口 512 根、预测窗口 48 根48 × 5 分钟 4 小时微调后的模型输出如下日内波段和量能形态与历史段连贯。Kronos 在 09988 港股 5 分钟 K 线上微调后的预测效果示例回测曲线怎么看A 股日频管线Qlib 数据 top-K 策略的回测输出包含累计收益与超额收益两条曲线脚本同时打印控制台性能指标。这张示例图展示的是策略 vs 基准的形态具体数值以你自己跑的测试集输出为准——它证明的是管线跑得通而不是保证收益。top-K 策略回测累计收益曲线与基准对比用于验证微调模型在 A 股日频上的信号有效性Kronos 如何部署最快上手步骤环境与硬件要求Python 3.10依赖主要是 PyTorch ≥ 2.0、pandas、einops。开源的三档模型参数量都不大Kronos-mini 4.1M、Kronos-small 24.7M、Kronos-base 102.3M单张消费级 GPU 即可跑推理微调脚本用 torchrun/DDP 支持多卡。499.2M 的 Kronos-large 未开源。注意 small/base 的max_context是 512mini 为 2048输入过长会自动截断。三步跑通第一次 K 线预测git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt然后加载模型、预测from model import Kronos, KronosTokenizer, KronosPredictor tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512) pred_df predictor.predict(dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120)输入 DataFrame 必须含open/high/low/close列volume、amount可选。多标的场景用predict_batch并行推理要求所有序列的回看长度和预测长度一致。完整可运行脚本见 examples/prediction_example.py。用自己的 CSV 数据微调CSV 需含timestamps/open/high/low/close/volume/amount七列后两列可全 0改好 配置模板 里的data_path和预训练模型路径后python finetune_csv/train_sequential.py --config finetune_csv/configs/config_ali09988_candle-5min.yaml一条命令依次完成 tokenizer 和 predictor 两阶段训练检查点分别落在tokenizer/best_model和basemodel/best_model。A 股 Qlib 管线的对应脚本是 数据预处理、训练 和 回测。Kronos 适用哪些场景单标的日内短线5 分钟级高频场景最直接的用法拿一只票的全部 5 分钟历史做 CSV 微调predict_window: 48即覆盖一个 4 小时预测窗。09988 的示例就是这条路径适合做日内节奏判断和量能预警。多标的日线批量信号用 Qlib 管线准备 A 股日频数据微调后在测试集上批量生成预测信号如预测价格变化率接 top-K 选股做回测。predict_batch让一次跑完整个股票池成为一条调用适合作为因子候选源而不是最终策略。概率化预测与情景分析predict的T温度、top_p核采样、sample_count路径数三个参数控制不确定性sample_count5生成 5 条路径取平均或保留分布做情景分析。这比单点预测多出来的信息量在仓位管理和风险预算里比多 0.1 个点的精度更实用。局限与注意事项先划清边界 ⚠️上下文有限small/base 最多 512 根 K 线长周期回看需要换 mini2048或滚动拼接。信号 ≠ 策略官方明确声明回测管线只是演示不是生产级量化系统。模型输出是原始预测实盘前需要组合优化、风险因子中性化以及交易成本/滑点建模。结果是采样自回归推理带随机性T、top_p不同结果会不同复现对比实验时固定种子和参数。批量推理有约束predict_batch要求各序列回看长度、预测长度完全一致volume/amount缺失会填 0。单标的微调数据量像 5 分钟这种高频数据微调样本多、效果好如果只有几百根 K 线微调可能不如直接用预训练底座。开始动手仓库已经给出了从推理到微调的完整路径先用 prediction_example.py 跑通第一个预测再用 finetune_csv 换成你自己的标的。模型团队已被 AAAI 2026 接收后续方向是模型轻量化、实时预测和多市场 API 化——对你而言现在最有价值的事是把一只自己熟悉的票喂进train_sequential.py用真实曲线检验它的边界。【免费下载链接】KronosKronos: A Foundation Model for the Language of Financial Markets项目地址: https://gitcode.com/GitHub_Trending/kronos14/Kronos创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考