企业官网建设流程全解析

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/Kronos

Kronos 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。

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 BSQ（Binary Spherical Quantization，二值球面量化）。每一根 K 线被编码成一个 token，token 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（09988）5 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 512，mini 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_context=512) pred_df = predictor.predict(df=x_df, x_timestamp=x_ts, y_timestamp=y_ts, pred_len=120)

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_count=5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 mini（2048）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