企业官网建设流程全解析

如何15分钟跑通一个金融K线预测模型：Kronos完整上手指南

【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

想跑金融时序预测模型，却总被“模型太大、没显卡”劝退？Kronos 可能是个解法——它是首个开源的K线（K-line）基础模型，用全球 45+ 交易所的数据训练，2GB 显存就够，约15分钟能出第一次K线预测结果。

📦 Kronos：一个为K线设计的基础模型

Kronos 是一族 decoder-only 时序基础模型，专攻金融市场的数据形态——K线序列。它不是通用时序模型，而是针对行情数据高噪声的特点做了两阶段框架：

• 第一阶段·K线Token化：专用 Tokenizer 用 BSQ 块量化，把连续 OHLCV 数据压成分层离散 token
• 第二阶段·自回归预测：Transformer 解码器在这些 token 上预训练，上下文窗口最大 512 步

开源模型共 3 个尺寸，按显存选：

配套工具链齐全：预测 API、Web 可视化界面、两条微调流水线（Qlib 与 CSV）、回测脚本。

🚀 跑通：从克隆到首次Kronos预测

环境要求

• Python 3.10+
• PyTorch 2.0+（GPU 建议 CUDA 11.7+，CPU 也能跑）
• GPU 推理 2GB 显存起步
• 依赖仅 numpy、pandas、torch 等十来个包，一条命令装完

安装与加载

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

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)

此时你应该看到：控制台无任何报错，tokenizer 与模型加载完成（首次运行会下载预训练权重，之后走本地缓存）。

📈 核心能力演示：10行代码预测未来120根K线

预测是 Kronos 的主功能：喂入历史 OHLCV，调用一次predict()就返回未来 N 步的开盘、最高、最低、收盘和成交量。输入 DataFrame 至少要有open、high、low、close四列，volume、amount可选；仓库自带一份可直接用的样本K线文件：tests/data/regression_input.csv。

import pandas as pd df = pd.read_csv("tests/data/regression_input.csv") df['timestamps'] = pd.to_datetime(df['timestamps']) pred_df = predictor.predict( df=df.iloc[:400][['open', 'high', 'low', 'close', 'volume']], x_timestamp=df.iloc[:400]['timestamps'], y_timestamp=df.iloc[400:520]['timestamps'], pred_len=120, T=1.0, top_p=0.9, sample_count=1, ) print(pred_df.head())

注意：small/base 的最大上下文是 512，lookback不要超过它，超了会被自动截断。

带加载、预测、画图的完整脚本见 examples/prediction_example.py，运行后效果如下：

读图要点：

• 上方面板：蓝线是历史收盘价，红线是 Kronos 预测的未来收盘价
• 下方面板：成交量预测同步跟随市场活跃度的波动
• 返回值：pandas DataFrame，索引为你传入的y_timestamp，含 open/high/low/close/volume/amount 六列

进阶用法：一行命令启动可视化预测界面

场景：不想写代码，直接在浏览器拖时间窗口看预测效果。

cd webui python run.py

浏览器打开http://localhost:7070（若端口被占，先释放该端口）。界面提供：

• CSV/Feather 数据加载，400+120 固定数据点窗口滑块
• K线图展示，并自动做预测值 vs 实际值的对比误差分析
• 模型尺寸三选（mini/small/base），CPU/CUDA/MPS 设备可切
• 采样参数可调：温度 T（0.1–2.0，官方推荐 1.2–1.5）、top_p（推荐 0.95–1.0）、采样条数（推荐 2–3）

各参数含义和排错清单在 webui/README.md。

进阶用法：多资产并行与自定义数据微调

批量预测

要同时预测多只资产，用predict_batch()：传入df_list、x_timestamp_list、y_timestamp_list三个列表，GPU 并行执行、每条序列独立归一化。唯一硬性要求：所有序列的历史长度和预测长度必须一致。

用CSV数据微调

轻量路线是 CSV 微调：把你的数据整理成含timestamps/open/high/low/close/volume/amount七列的 CSV（volume、amount 没有就填 0），配置里指向该文件后：

cd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml

脚本会按“先训 tokenizer、再训 predictor”的顺序自动跑完，最佳检查点存到配置指定的输出目录。仓库自带阿里（09988.HK）5分钟K线的完整示例数据和配置，细节见 finetune_csv/README_CN.md。

如果你做的是 A股日线，则走 Qlib 路线：数据预处理 → 微调 tokenizer → 微调 predictor → 回测四步，最终会输出策略累计收益 vs 基准的曲线图，类似这样：

⚠️ 避坑与调优

显存不足（CUDA out of memory）——输入序列太长或模型选大了：

1. 调小lookback
2. 换 Kronos-mini（4.1M 参数）
3. 开 FP16 推理：model = model.half()，显存占用直接减半

预测曲线不稳定、波动大——采样随机性导致：

1. 温度按官方推荐设 T=1.2–1.5（想要更平滑就调低）
2. top_p收到 0.9–0.95
3. sample_count设为 2–3，生成多条路径自动取平均

首次运行特别慢——在下载预训练权重，属正常现象；重跑走缓存，秒级加载。

WebUI 打不开——先看控制台是否提示端口占用，释放 7070 端口后重启。

性能技巧：同显存下，predict_batch一次喂多只资产，比循环单跑更快。

延伸与资源

• 想读模型实现：tokenizer 的 BSQ 量化与解码器结构都在 model/kronos.py
• 跑完整示例：examples/prediction_example.py 覆盖加载、预测、画图全流程
• 批量预测实战：examples/prediction_batch_example.py 演示多资产并行
• 自定义数据微调：finetune_csv/ 内有现成配置与样例数据

更多架构细节、模型家族和引用方式见根目录 README.md；遇到问题先看控制台报错，仍无解可到项目社区提 Issue 求助。

【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