企业官网建设流程全解析

如何快速上手Kronos：从0到1跑通K线AI预测的完整指南

【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

看盘多年，你能说清自己的买卖"感觉"吗？说不清，也很难验证。Kronos 是第一个专为金融 K 线设计的开源预测基础模型，把 OHLCV 数据喂给它，它能直接输出未来的价格和成交量预测，帮你把盘感变成可以回测的信号。

10秒看懂Kronos：关键数字一览

Kronos 是一组 decoder-only 的金融时序基础模型，训练数据覆盖全球 45 个以上交易所的 K 线序列。官方开源了 3 个规格：mini（410万参数，上下文 2048）、small（2470万参数，上下文 512）、base（1.02亿参数，上下文 512），论文已被 AAAI 2026 接收。对普通用户来说 small 是默认推荐——单卡甚至纯 CPU 都能跑，速度和效果比较平衡。

它解决什么问题：从"凭感觉"到"有信号"

自己搭预测模型最大的痛点是金融 K 线噪声极大，直接把原始价格喂给通用时序模型，往往学不到东西。Kronos 的思路是先把 K 线"翻译"成离散 token，再让 Transformer 在这些 token 上做自回归预训练。对你意味着什么：不用自己搭 tokenizer、不用纠结数据归一化，几行代码就能得到一条能跟上趋势转折的预测曲线；而且它一次预测同时输出价格和成交量，不用两个模型各管一摊。

3个核心亮点：Token化、价量双预测、自带微调管线

• K线分位数Token化：把连续的 OHLCV 数据量化成层次化离散 token，模型先"听懂"K线再预测。对你意味着什么：输入只要标准 OHLCV 表格，不用做任何特征工程。
• 价量双任务预测：一次 predict 同时返回价格和成交量。对你意味着什么：成交量放大这类信号也能被捕捉，而不是只盯价格。
• 自带微调与回测管线：finetune/目录提供 A 股 Qlib 数据的全套流程，finetune_csv/提供 CSV 数据的顺序训练脚本。对你意味着什么：预训练效果不满意时，可以直接用自己的历史数据继续训练。

上手路径：三种方式跑通Kronos预测

先装环境，要求 Python 3.10+，依赖 torch>=2.0.0：

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

方式一：Web界面，约10分钟，零代码

cd webui python run.py

浏览器打开 http://localhost:7070 ，选数据文件、选模型规格（mini/small/base）、拖时间窗口（固定 400+120 根K线）、点预测即可。温度、top_p、采样条数都可以在界面上调。第一次运行会下载模型权重，耐心稍等。适合先建立"这模型输出长什么样"的直观印象。

方式二：Python脚本，约30分钟

核心调用浓缩在下面，完整可运行版本见 examples/prediction_example.py：

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)

predict 内部自动处理归一化和反归一化，返回的 DataFrame 直接包含 open/high/low/close/volume/amount 的预测值。要一次预测多个标的，改用 predictor.predict_batch，注意所有序列的历史长度和预测长度必须一致。

方式三：用自己的数据微调，需GPU，数小时起

把 CSV 数据（timestamps/open/high/low/close/volume/amount 七列，volume、amount 缺失可填0）准备好，改好 finetune_csv/configs/config_ali09988_candle-5min.yaml 里的数据路径和训练参数，运行 train_sequential.py 即可自动按"先 tokenizer 后预测器"的顺序训练。仓库里附了阿里巴巴港股 5 分钟线的完整示例数据（finetune_csv/data/HK_ali_09988_kline_5min_all.csv），列格式可以直接照着抄。

效果展示：跑起来之后你看到什么

这是 examples/prediction_example.py 跑出来的图。上半部分红色曲线（预测）贴着蓝色曲线（真实值）走，趋势转折段能跟上方向变化；下半部分的成交量预测虽然对个别尖峰贴合不够紧，但整体量级和节奏是对得上的。

再进一步，微调后的模型可以接入回测：finetune/qlib_test.py 生成预测信号后跑一个 top-K 策略，上图是扣除交易成本后的累计收益曲线，多条策略曲线整体位于 CSI300 基准（黑色虚线）上方。但注意官方提醒：这是简化演示，不是生产级交易系统，真实落地还需要组合优化、风险中性化、滑点建模等一整套东西。

避坑指南：新手最容易踩的3个坑

1. 历史窗口不是越长越好：small 和 base 的 max_context 是 512，lookback 超过 512 会被自动截断，别指望喂 2000 根K线进去模型就全用上了。
2. 数据列名必须对：DataFrame 必须包含 open、high、low、close 四列，volume、amount 可选。列名对不上时 predict 会直接报错。
3. 回测曲线不等于实盘收益：回测图是 top-K 简化策略的结果，没有组合层面的风险控制，拿它当决策依据前先理解这一层含义。

资源索引：关键文件在哪里

• 核心模型源码：model/kronos.py
• 可运行预测示例：examples/prediction_example.py
• Web界面入口：webui/app.py
• 微调管线：finetune/（Qlib/A股）与 finetune_csv/（CSV数据）

装好环境后，现在就可以用方式一在浏览器里跑出你的第一条预测曲线。

【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