Kronos金融K线基础模型完整教程：从快速安装到股票价格预测的5步指南

Kronos金融K线基础模型完整教程从快速安装到股票价格预测的5步指南【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手里有一份 5 分钟 K 线数据想看看未来 120 根 K 线里收盘价和成交量大概会怎么走而不是只得到一个涨/跌的单点结论——这正是 Kronos 要解决的场景。Kronos 是一个专为金融 K 线数据设计的开源金融基础模型直接把开高低收量OHLCV序列作为输入输出未来多个时间点的价格与成交量预测并支持批量预测和策略回测。Kronos 是什么首个开源金融K线基础模型Kronos 是一个 decoder-only 的金融大模型家族预训练数据覆盖全球 45 个以上交易所的 K 线序列论文已被 AAAI 2026 接收代码与权重以 MIT 协议开源。它不是通用时间序列模型而是专门针对金融数据高噪声、多尺度的特性设计目标是作为统一底座支撑预测、信号生成等多样量化任务。对使用者来说关键参数决定了能跑什么模型参数量上下文长度适用场景Kronos-mini4.1M2048低资源环境、快速验证Kronos-small24.7M512日常预测的主力档位Kronos-base102.3M512追求更高预测质量Kronos-large499.2M512未开源仅论文参考mini 和 small 参数很小CPU 也能完成单次预测base 以上以及批量预测、微调训练则建议上 GPU。Kronos 工作原理从K线到token的两阶段框架整个系统可以理解成两件事先把 K 线翻译成一串离散 token再让一个自回归 Transformer 学会这种金融市场语言。下图是完整架构第一阶段 Tokenizer把 OHLCV 压成分层离散 tokenK 线数据是连续、多维、带噪的直接喂给 Transformer 很难学。Kronos 的 Tokenizer 先用编码器压缩表示再通过二值球面量化BSQ把每个时间点量化成粗粒度 细粒度两级子 token最后由解码器重建出 K 线。量化保证了对原始数据的无损逼近重建能力则说明 token 确实保留了价格、成交量的关键信息。相关实现在 model/module.py 的BSQuantizer中。第二阶段 自回归 Transformer学习下一个 K 线拿到 token 序列后一个因果 Transformer 按语言模型的方式做预训练给定历史 K 线 token预测下一个 token。每个 Transformer 块内部由多个 Intra-Block 组成块之间通过共享参数和交叉注意力Header/Query传递跨时间尺度的信息既控制参数规模又保证长程依赖的建模。训练完成后的模型就具备了续写 K 线的能力预测时按时间步逐点生成即可。核心代码见 model/kronos.py。Kronos 快速安装步骤与环境要求环境要求很轻Python 3.10依赖只有 PyTorch、pandas、huggingface_hub 等几个常见库见 requirements.txt。模型权重首次运行时自动从 Hugging Face 拉取无需手动下载。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt安装完成后一个最小可运行的预测脚本只有几行完整可运行版本在 examples/prediction_example.pyfrom 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_context512) pred_df predictor.predict( dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120, T1.0, top_p0.9, sample_count1, )几个必须知道的输入约定x_df是历史 K 线 DataFrame必须含open/high/low/close列volume/amount可选缺失时自动补 0x_timestamp、y_timestamp分别是历史和待预测时段的时序small/base 的max_context为 512输入过长会被自动截断返回值pred_df按y_timestamp对齐包含预测的 open/high/low/close/volume/amount。功能演示Web界面与API调用两条路径零代码启动 Web 界面不想写代码时项目内置了一个本地 Web 界面Flask Plotly支持 CSV、Feather 数据格式支持 CPU、CUDA、MPS 三种设备cd webui python run.py启动后访问http://localhost:7070操作路径是选择数据文件 → 选模型mini/small/base和设备 → 用滑块拖动 400120 数据点的时间窗口 → 调整温度、核采样、样本数 → 点击预测。结果页会给出 K 线图、预测与实际的价差统计和误差分析适合作为第一次体验的入口。几行代码predict 与 predict_batch需要集成到自己的系统时用前面KronosPredictor的predict方法即可T温度、top_p核采样、sample_count多条预测路径取平均三个参数控制预测的随机性——官方建议温度 1.2~1.5、top_p 0.95~1.0、2~3 条样本质量更稳。批量场景用predict_batch传入多个等长的 DataFrame 列表GPU 并行推理各序列独立做归一化/反归一化一次跑完一组资产的预测。数据准备和更多示例可看 examples/ 目录。实测表现预测结果与真实数据的对比先看单只股票的预测样例以 400 根历史 K 线为上下文预测后续 120 根。上图为 5 分钟级 A 股数据红色为模型预测、蓝色为真实走势——收盘价预测贴合了震荡后上行的趋势形态成交量预测整体偏保守捕捉了部分放量区间。更值得关注的是回测口径。官方提供了 A 股 top-K 策略回测脚本下图是扣费后的累计收益上与相对 CSI300 基准的累计超额收益下last/mean/max/min 分别对应不同采样路径2024 年 10 月后策略曲线整体位于基准之上超额收益持续走正。需要说明的是官方明确标注这是一条简化演示流水线——top-K 选券 简单回测并非生产级量化系统真实使用还要叠加组合优化、风险因子中性化和交易成本建模。进阶能力微调、回测与二次开发项目内建两条完整的微调管线可以把模型适配到自有市场或自有数据分布上。A 股 Qlib 管线finetune/用微软 Qlib 准备数据四步走——python finetune/qlib_data_preprocess.py # 数据切分 torchrun --standalone --nproc_per_node2 finetune/train_tokenizer.py # 微调Tokenizer torchrun --standalone --nproc_per_node2 finetune/train_predictor.py # 微调Predictor python finetune/qlib_test.py --device cuda:0 # 回测评估自定义 CSV 管线finetune_csv/面向任意 CSV K 线数据含 timestamps/open/high/low/close/volume/amount 列改一个 YAML 配置后一条命令顺序训练 tokenizer 和 predictor多卡可加torchrun开 DDP。下图就是该管线在阿里巴巴港股 09988 的 5 分钟数据上微调后的预测效果二次开发方面模型全部是标准 PyTorch 模块并通过huggingface_hub的from_pretrained加载替换权重即可换成任意档位模型model/目录下的BSQuantizer、KronosTokenizer、Kronos均可单独 import 复用在自己的 pipeline 中。不同角色能各取所需个人投资者走 Web 界面几分钟内拿到个股未来 120 个时间点的价格/成交量预测与误差统计辅助判断而非替代研究量化团队用predict_batch批量生成多资产信号接入既有的组合优化与风控流程用回测脚本做初步验证开发者 / 研究者在 model/ 源码上做二次开发或用自己的市场数据微调出领域定制版本。总结接下来可以做的 4 件事Kronos 把K 线预测从各写各的脚本变成了一个可安装、可微调、可回测的开源基础模型底座。建议按这个顺序上手克隆仓库并执行pip install -r requirements.txt完成 Kronos 安装运行 examples/prediction_example.py看第一张预测对比图启动 webui/ 零代码体验完整预测流程有自有数据时按 finetune_csv/ 的 CSV 管线微调再用回测脚本验证效果。需要提醒模型输出是统计意义上的预测信号不构成投资建议真实交易前请用自己的数据做充分回测。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考