Kronos：K线预测基础模型，从装好依赖到跑通回测的最短路径

Kronos：K线预测基础模型，从装好依赖到跑通回测的最短路径

【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

Kronos 是一个开源的金融 K 线基础模型，用"先把 K 线翻译成离散 token、再自回归生成"的两段式框架做价格与成交量预测，训练语料覆盖 45 个以上交易所，最小的开源版本只有 4.1M 参数。

它到底在解决什么问题

做量化的人都知道一个尴尬：K 线是典型的高噪声时间序列，传统时序模型要么为每只票单独训练，要么直接吃原始浮点数，对噪声和分布漂移都很敏感。Kronos 换个思路——把 OHLCV（开高低收加量额）先量化成一串离散 token，让一个 decoder-only 的 Transformer 在 token 空间里学"市场语言"。这样同一个基座可以横向复用到不同市场、不同周期，不用每个标的从头训。官方论文已被 AAAI 2026 接收，代码 MIT 协议开源。

官方架构图：K 线分词与自回归预训练两条主线

技术思路拆解

K线怎么被"翻译"成token

白话：先把连续的价格序列压成一串 0/1 比特串，就像把照片压缩成 JPEG。技术细节：KronosTokenizer 里是一个带编解码 Transformer 的量化器，核心用了二进制球形量化（BSQ，把连续向量投影到超球面上再截断成 ±1 比特），每个时间步最终变成一个离散索引。

两档token加依赖解码

白话：每个时间步不是一个 token，而是"先粗后细"两层——先定大致档位，再补精度。技术细节：编码后切成 s1（高位比特）和 s2（低位比特）两路，预测时先自回归解出 s1，再用 DependencyAwareLayer 拿 s1 的嵌入做条件交叉注意力，去约束 s2 的生成。这个设计让精度位依赖骨架位，推理更稳。

生成与时间特征

白话：预测不是抽一个数，而是按"词表"一个 token 一个 token 往后写，同时告诉模型"现在是周几几点"。技术细节：解码是逐位置的自回归采样，支持温度 T、核采样 top_p，还能生成 sample_count 条路径再平均，把随机性抹平；时间戳被拆成分钟、小时、星期、日、月五路嵌入求和后加到隐状态上，所以模型知道自己在"几点几分"上下文中工作。

📊 跑一遍看看效果

拿官方示例 examples/prediction_example.py 看：输入某只 A 股的 5 分钟 K 线，取最近 400 根做上下文，往后预测 120 根，输出是一张带 open/high/low/close/volume/amount 六列的 DataFrame，直接能画对比图。官方给的四档基座里，目前开源三档：

官方示例输出：收盘价与成交量两条曲线的真实值 vs 预测值

批量场景用predict_batch，要求所有序列的 lookback 和 pred_len 完全一致，走 GPU 并行，逐条独立做归一化/反归一化。微调回测这边，finetune/ 目录给了一条基于 Qlib 的 A 股完整链路：预处理 → 先调 tokenizer 再调 predictor（都支持 torchrun 多卡）→ top-K 策略回测，输出的是策略累计收益对比基准的曲线，官方特意声明这是演示流程，没算交易成本、滑点和市场冲击，别把它当成生产策略。

从零到跑通：最小上手路径

第 1 步，装好环境。Python 3.10+，依赖很轻，torch 2.0 以上即可：

git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos pip install -r requirements.txt

第 2 步，拉权重、实例化预测器。Tokenizer 和模型都从 Hugging Face Hub 拉，KronosPredictor会自动选 GPU / MPS / CPU：

tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base") model = Kronos.from_pretrained("NeoQuasar/Kronos-small") predictor = KronosPredictor(model, tokenizer, max_context=512)

第 3 步，喂数据、出结果。准备一个带timestamps和 OHLCV 列的 DataFrame（volume/amount 可缺，自动补 0），调predictor.predict(...)。注意 small/base 的max_context是 512，lookback 超过会被截断。想批量预测就把多组序列对齐长度后丢给predict_batch。

适合谁用 / 不适用谁

适合：做 A 股或加密的量化研究者、想验证"K 线基础模型"这条技术路线的团队，以及手里有特定市场数据、想拿预训练权重复用的人——finetune_csv/ 给了 CSV 数据直接微调的路子（含阿里港股 5 分钟 K 线的完整示例配置），比从零训省得多。

不适合：预期"装完就能下注"的交易员——它输出的是预测信号不是下单指令，采样参数不同结果就不同；硬件很弱的纯 CPU 环境，自回归逐位置解码，序列一长就会明显变慢，mini 档能跑但 patience 要够；另外它只处理 K 线，基本面、情绪类信息得你自己想办法融进去。

写在最后

Kronos 把"K 线当语言"这条路走通了一版，两档 token 加依赖解码的设计值得细看。建议先跑通 examples/prediction_example.py 看输出分布，再决定要不要进 finetune/ 或 finetune_csv/ 做定制——顺序别反，先跑通再调参，省得在环境问题上绕圈。

【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