企业官网建设流程全解析

5分钟上手Kronos K线预测实战指南

【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

开盘九点半，已经有一个程序"读"完了某只股票400根K线的全部历史，输出的是接下来120根K线的完整曲线——开盘、最高、最低、收盘、成交量。这就是Kronos，一个K线预测基础模型：输入历史K线数据，它逐根预测未来的K线，不用写任何技术指标。

它能做什么：把K线图读懂，再把下一段K线写出来

Kronos：首个开源的K线语言基础模型。它在超过45个全球交易所的数据上预训练，覆盖股票、期货、加密资产；采用MIT协议，mini、small、base三档权重（4.1M到102.3M参数）全部开源。对应论文已被AAAI 2026接收，作者是Yu Shi及其团队，模型库与微调脚本仍在持续更新，处于活跃维护状态。

Kronos是怎么"读懂"K线的 📈

技术内核可以概括成"先翻译，再预测"：把连续的K线数字翻译成离散token，再让语言模型逐个"写"出未来的token。

双粒度分词：给K线定一套"字符集"

把K线图想象成一句话，要先定义它由哪些"字"组成。KronosTokenizer做的事正是这个：位于model/module.py的BSQuantizer量化器把每根K线的开、高、低、收、量五维数字压缩成两级token——一级s1 token记录K线的"粗形态"（涨跌、波动幅度），二级s2 token记录细节。效果是K线数据变成了可被语言模型处理的token序列，量化时整体趋势与局部波动都被保留下来。

这张架构图展示了Kronos K线预测的完整流程：分词器将OHLCV数据量化为粗、细两级token，自回归Transformer再基于历史token生成未来K线

自回归Transformer：一根K线接一根地"写"

作家写句子是一次写一个字，前一个字约束下一个字，Kronos主模型（model/kronos.py中的decoder-only Transformer）的工作方式与此一致。它把token当"词汇表"：每步先预测一级的s1 token，再基于s1预测细粒度的s2 token（对应decode_s1与decode_s2两个函数），逐步拼出完整的未来K线序列。这种设计让预测天然形成一条条"路径"，生成多条路径取平均后，结果比单点输出更稳。

可控采样：给预测加一个"温度"

掷骰子时，骰子的面数决定了结果的离散程度。Kronos把同样的机制给到了预测过程：predictor.predict的T参数控制温度（越高越随机）、top_p控制核采样概率、sample_count控制采样几条预测路径再取平均。这3个参数在Web界面里同样可以调，预测结果的不确定性因此是透明、可调节的。

快速上手：5分钟跑通第一条Kronos K线预测

三条命令装好环境，六行代码出第一条预测。

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

需要Python 3.10+，依赖以PyTorch 2.0+为核心。输入数据是一份CSV，包含open、high、low、close四列，volume与amount可选；模型与分词器首次运行会自动从模型库下载：

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_timestamp, y_timestamp=y_timestamp, pred_len=120)

predict内部会完成预处理、归一化、推理、反归一化，直接返回DataFrame。完整可运行脚本见examples/目录（含绘图与真值对比），跑出来就是下面这张图：

这张图是示例脚本的输出：蓝色为收盘价与成交量的历史真值，红色为Kronos K线预测结果，预测曲线跟住了真值的趋势与波动幅度

不想写代码，直接用内置的Web界面。进入webui目录执行python run.py（也可直接运行webui/app.py）：

cd webui python run.py

浏览器打开 http://localhost:7070，然后三步：①选择数据文件；②选择模型档位（mini/small/base）与计算设备；③拖动时间窗口滑条（固定400根历史K线+120根预测K线），点击预测。从clone仓库到看见第一条预测曲线，全程约5分钟。

用数据说话：Kronos K线预测的回测验证 📊

先看数字，再谈模型的预测成色。

• 批量预测效率：参考实现对沪深300全部成分股完成批量预测用时8分钟，依赖predict_batch的GPU并行，比串行处理快约5倍；
• 预测精度：参考实现实测价格预测准确率89.2%，趋势判断准确率94.5%；
• 回测表现：在A股数据上微调后，用简单的top-K策略做回测，累计收益曲线持续跑赢CSI300基准，超额收益持续为正，峰值接近0.15。

这张图是微调后的回测结果：上图策略累计收益持续高于CSI300基准（黑色虚线），下图超额收益持续为正、峰值接近0.15

个股层面，examples/yuce/目录里有深科技（000021）等完整案例，输出包含预测K线、成交量、波动率分析与市场因素综合评分：

这张图展示了深科技（000021）的综合预测：预测K线与成交量曲线、波动分析、市场因素评分，最终预测价19.31元被明确标出

高频数据上，仓库还给出了阿里巴巴港股5分钟K线的微调实例：

这张图展示了在阿里巴巴（09988.HK）5分钟K线上微调后的预测，预测曲线的高频波动形态与历史K线贴合

需要说明：精度数字来自项目参考实现，具体表现取决于数据质量与市场环境，用之前请先用自己的数据回测。

不同角色各拿各的用法

三类用户，各有一种用法。

个人投资者

• 从候选池筛选个股：用predict输出的预测涨跌幅给候选股排序
• 判断买卖时点：把预测曲线与最近400根K线走势对齐，重点看预测收盘价与现价的相对位置
• 先跑历史回测：用examples/里的回测脚本验证信号有效性，再决定是否实盘

量化开发者

• 在自有数据上微调：finetune_csv/ 提供单份CSV的一键微调管线（分词器+预测器）
• 集成进交易流程：把DataFrame列表交给predict_batch，GPU并行批量出预测
• 调节预测质量：通过T、top_p、sample_count控制随机性与路径数量

机构团队

• 用批量预测管理大资产组合，单次跑完整个股票池
• 为自有频率定制模型：仓库内置5分钟高频K线的完整微调配置示例
• 按算力灵活部署：CPU、CUDA、MPS三类设备均受支持

你大概会问的四个问题

硬件、数据格式、精度、数据源，是问得最多的四件事。

Q：配置要求高吗？mini版（4.1M参数）在普通笔记本的CPU上即可运行；批量预测与微调建议上GPU（CUDA/MPS均可）。

Q：数据格式有什么要求？CSV需要timestamps列和open、high、low、close四列；volume与amount可选，缺失时填0即可。

Q：预测准确率能达到多少？参考实现实测价格预测准确率89.2%、趋势判断94.5%；所有预测都有不确定性，用前务必回测验证。

Q：数据从哪里来？Kronos不附带数据源，可用akshare、tushare等开源库获取行情；examples/目录里有现成的取数脚本。

无论你是想搞懂AI K线工具的普通投资者，还是要搭建预测管线的量化开发者，Kronos都给出了一个完全开源的起点。模型输出只是辅助参考，真实收益需要自己验证。去仓库里跑通第一条K线预测吧。

【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