开源 K线预测模型 Kronos：45 个交易所数据背后的股票预测基础模型

开源 K线预测模型 Kronos：45 个交易所数据背后的股票预测基础模型

【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

本文介绍的开源 K线预测项目，Kronos 股票预测模型，在 45 个以上全球交易所的 K线数据上预训练。它把开盘、最高、最低、收盘、成交量（OHLCV）序列量化为离散 token，再用自回归 Transformer 逐点预测未来 K线。流程全部开源，可在本地复现。

它解决什么问题

从选股与量化流程看，直接拿 K线数据做预测有三个难点：

• 维度多，难以统一处理。一根 K线带 open、high、low、close、volume 五个字段，量纲与分布各不相同。传统指标方法一次只看一维，再人工拼接，容易丢掉维度间的联动。Kronos 的 tokenizer 把五维数据作为一组整体做量化，天然保留这种耦合关系。
• 噪音大，模型容易过拟合。金融序列是高噪音数据，通用时间序列基础模型直接套用并不理想。README 中说明 Kronos 是专门为金融 K线的高噪音特性预训练的 decoder-only 基础模型，而非通用 TSFM。
• 人工反应慢，无法批量。逐只画图、看线花费的时间，放到数千只股票上就不可行。Kronos 提供predict_batch接口，借助 GPU 并行同时预测多条序列，且每条序列独立做归一化与反归一化。

原理速览

Kronos 是两阶段设计，可以理解为"先把 K线翻译成词，再让语言模型续写"：

1. K线标记化。tokenizer 的编码器对 OHLCV 做 BSQ 量化，把每根 K线拆成"粗粒度 + 细粒度"两层子 token：粗粒度刻画整体形态，细粒度保留价格与成交量细节；解码器能用 token 重构回 K线，保证信息没有丢。
2. 自回归预测。token 序列上堆叠因果 Transformer 块，粗、细粒度 token 之间通过交叉注意力交互。由于使用因果掩码，预测下一步时只能依赖更早的 token，训练与推理都看不到未来数据——这与真实交易场景一致：下单时刻永远只有历史可用。

核心实现在 model/kronos.py，Transformer 块结构在 model/module.py。

效果怎么验证

回测收益怎么看

仓库随微调流水线（A股数据，由 finetune/qlib_test.py 生成）给出回测图。上下两个面板，各含 last / mean / max / min 四条采样曲线：

• 上方面板（带成本的累计收益）：区间为 2024-07 至 2025-06。四条策略曲线在 2024 年 10 月后整体位于 CSI300 基准虚线之上，2025 年 4 月前后出现一次明显回撤，随后再度拉开差距。
• 下方面板（带成本的累计超额收益）：2024 年 10 月后持续上行，四条曲线末端大致分布在 0.05 到 0.15 之间。

需要说明：README 明确写这段流水线只是简化示例，不是生产级量化系统。

单股价格与成交量预测对比

示例脚本用 400 根历史 K线预测未来 120 根，产出对比图：红为预测，蓝为真实值，收盘价与成交量分上下两幅。图中可以看到：

• 预测并非每一段都与真实吻合。尾段收盘价预测曲线抬升到 11.3 附近，而真实值停在 10.9 上下，偏差随预测步长增大而放大。
• 成交量预测与真实值在量级和峰值位置上更接近一些，但单根尖峰仍有偏移。

仓库没有给出固定"准确率"数字，验证方式就是拿同样的历史窗口自己跑一遍，把预测值和真实值画在一起比较。

三步跑起来

Kronos 安装与数据准备

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

要求 Python 3.10 及以上。数据准备一份带 timestamps 列和 open / high / low / close 列的 CSV（volume、amount 可选）。注意 small 与 base 模型的最大上下文长度是 512，历史窗口建议不超过 512 根，更长会被自动截断。

执行预测

运行 examples/prediction_example.py 即可完成"加载模型 → 调用KronosPredictor.predict→ 输出对比图"的完整流程；若数据没有量价字段，用 examples/prediction_wo_vol_example.py 即可，采样参数（T、top_p、sample_count）都可在 predict 调用中调节。

进阶玩法

• A股微调：finetune/ 提供四步流水线：改config.py路径 →qlib_data_preprocess.py切分数据 → 用 torchrun 依次微调 tokenizer 与 predictor →qlib_test.py回测。依赖pyqlib，示例基于 Qlib 的日线数据。
• 自定义 CSV 微调：finetune_csv/ 支持拿单个 CSV 直接训练，仓库示例是阿里巴巴（港股 09988）的 5 分钟 K线，train_sequential.py一条命令顺序完成两阶段训练，也支持多卡 DDP。
• 高频与批量场景：5 分钟级数据按同样 CSV 格式喂入即可，其他频率只需换数据粒度；整池股票筛选用predict_batch，前提是所有序列历史长度与预测长度一致。

适合谁 / 使用注意

适合三类人：想动手试 K线序列建模的量化新手、评估时间序列基础模型的研究者，以及要把并行预测接口嵌进选股流程的开发者。模型权重提供 mini / small / base 三档（4.1M / 24.7M / 102.3M 参数），显存有限可从 mini 起步。

使用注意：模型输出是统计意义上的推断，预测结果不构成任何投资建议。仓库自己也写明回测只是简化演示；要变成可用策略，还需组合优化、风险因子中性化，并认真建模交易成本、滑点与市场冲击。

下一步可以这样做：从 examples/prediction_example.py 跑出第一个预测；需要浏览器界面时参考 webui/，启动后访问本地 7070 端口；项目采用 MIT 协议开源，对应论文题为 "Kronos: A Foundation Model for the Language of Financial Markets"。

【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