Awesome-finance-skills源码级深潜：Kronos K线预测与新闻Embedding投影的实现原理

Awesome-finance-skills源码级深潜Kronos K线预测与新闻Embedding投影的实现原理【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skillsAwesome-finance-skills 是一套开源免费的金融分析 Agent Skills 技能集让 LLM 秒变华尔街分析师。本文带你深入项目最核心的 alphaear-predictor 技能用通俗语言讲清两件事Kronos 模型如何把 K 线序列压缩成价格词元、再逐根画回未来曲线一条新闻又如何通过 384 维 Embedding 向量与一个轻量投影层悄悄扭转整条预测。一、先看清全貌Kronos K线预测的三层结构 整个预测流水线可以拆成编码 → 生成 → 注入三层全部位于 skills/alphaear-predictor/ 技能内层级角色核心文件① 分词层把 OHLCV K线序列压缩成二进制 tokenkronos.py② 生成层Transformer 自回归采样逐根生成未来 K 线kronos.py③ 新闻注入层把新闻 Embedding 投影成全局偏置kronos.py对外只需调用一个入口——KronosPredictorUtility 单例工具类它负责加载模型、编码新闻、并输出预测结果。二、第一关KronosTokenizer 如何把 K 线压缩成词元 Kronos 借鉴了大语言模型把文字变成 token的思路只不过这里的 token 不是汉字而是K 线的二进制编码。分词器 KronosTokenizer 的工作方式分三步提特征一段历史 K 线开盘、最高、最低、收盘、成交量先经线性层和编码器 Transformer 提特征量化再送入 BinarySphericalQuantizer二进制球面量化器简称 BSQ把每个时刻的特征向量四舍五入到 ±1 的二进制球面上。每个 token 又拆成s1粗粒度 s2细粒度两半——就像先确定价格往哪走再细化具体走多少重建拿到 token 编号后decode 把编号还原成比特再经解码器 Transformer 重建出 K 线数值。一句话理解K 线序列 ≈ 一段价格语言量化器是压缩算法token 就是价格世界的字母。三、第二关Kronos 如何逐根画出未来 K 线 生成层的核心是 Kronos 模型由几个精巧部件组成分层嵌入 HierarchicalEmbeddings1、s2 各有一套词表 Embedding拼接后统一投影让模型先懂趋势、再看细节时间嵌入 TemporalEmbedding把分钟、小时、星期几、日期、月份分别嵌入后相加让模型感知周一效应月末效应等时间规律RoPE 注意力 RMSNorm现代 Transformer 的标准配置保障长序列中位置关系的表达依赖感知层 DependencyAwareLayer先让 s2 词元通过交叉注意力关照整个上下文再预测细粒度 token保证粗细两层逻辑自洽。采样流程auto_regressive_inference像盲写文字用 decode_s1 得到下一时刻 s1 词元的概率分布按top-p 核采样默认top_p0.9抽一个立刻用 decode_s2 在该 s1 条件下抽样出配套的 s2新 token 滑入上下文缓冲区最大窗口 512循环直到画满预测长度。最后把多条采样路径取平均削弱随机性再用历史均值/标准差反归一化回真实价格predict。四、新闻 Embedding 投影一条新闻如何偏置整条预测 纯技术面预测有个天然短板——不知道市场发生了什么。Awesome-finance-skills 的解法极其轻巧在 Kronos 末尾挂一个线性投影层把新闻向量注入模型。数据流kronos_predictor.py新闻文本截断到 1000 字用 all-MiniLM-L6-v2 句向量模型编码成384 维新闻 Embedding投影层news_proj一个 384 → d_model 的线性层把它变换到模型维度注入方式见 Kronos.forward核心只有两行news_bias self.news_proj(news_emb).unsqueeze(1) # [B, 1, d_model] x x news_bias # 广播加到序列每一个位置关键就在第二行新闻不占用任何 token 位置而是作为一个全局偏置均匀影响模型对下一步该生成什么 token的判断——利空新闻会把整个分布往下跌词元方向推利好则相反。这正是新闻 Embedding 投影名字的由来。五、投影层权重从哪来新闻—行情自动合成训练 ️384 维新闻向量怎么就能懂股价答案是 AutoSynthesisTrainer 的四步自动合成流水线步骤做什么对应代码① 找地震扫描一年行情挑出涨跌幅超过 2% 的异动日discover_shocks② 验因果搜索当日新闻LLM 判断是否真因果返回is_causalfind_reason_and_verify③ 成对入库50 天历史 K 线 未来 5 天目标 新闻向量run_synthesis_and_train④ 只训投影层Kronos 底座全部冻结Adam 只更新 news_proj30 轮少样本训练training.py训练完只保存 news_proj 权重save_model。仓库已附带预训练好的检查点kronos_news_v1_20260101_0015.pt。推理时 KronosPredictorUtility 会自动扫描exports/models/加载最新权重加载失败则优雅降级为纯技术面预测。六、三步上手从 K 线数据到预测报告 ✅准备数据用 alphaear-stock 技能拉取 OHLCV 历史行情调用预测KronosPredictorUtility.get_base_forecast(df, lookback20, pred_len5, news_text...)传入最近 20 根 K 线输出未来 5 个交易日的 KLinePoint 列表智能修正按 PROMPTS.md 中的 Forecast Adjustment 提示词让 Agent 结合最新新闻对数值做主观微调生成带关键逻辑、入场建议、目标位/止损位的完整报告。安装只需一步npx skills add Awesome-finance-skillsalphaear-predictor或把 skills/ 目录整体拷入 Agent 技能目录每个技能文件夹需含 SKILL.md。七、关键文件速查表 想改什么去哪找模型结构Transformer、双头解码、新闻投影层predictor/model/kronos.py量化器、嵌入、注意力等基础模块predictor/model/module.py推理入口、新闻编码、权重加载kronos_predictor.py数据合成与投影层训练utils/predictor/training.pyK线图表与损失曲线可视化utils/predictor/kline_generate.py想继续深入还可以搭配 alphaear-logic-visualizer 生成市场传导链路图、alphaear-sentiment 计算新闻情绪分让 Kronos K线预测从单点数值进化为有故事的技术面分析。【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考