Kronos K线预测基础模型快速上手：3类真实产出+WebUI本地部署完整指南

Kronos K线预测基础模型快速上手3类真实产出WebUI本地部署完整指南【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想用自己的行情数据跑一个 K 线预测模型又不想从零搭训练流程开源项目 Kronos 给出了一条现成路径它是一个专为金融 K 线序列预训练的基础模型家族覆盖 45 家以上全球交易所的行情数据把 OHLCV开高低收成交量数据编码成离散符号再由自回归 Transformer 学习下一根 K 线更可能长什么样。论文已被 AAAI 2026 接收模型权重与全部脚本开源。这个模型到底能跑出什么先看三类真实产出结论先行仓库里所有演示的输入数据、脚本、输出图都是现成的你可以先验收效果再决定要不要装环境。单标的价格与成交量预测。运行 examples/prediction_example.py 会画出一张上下双轴图上方是历史收盘价蓝与预测收盘价红的衔接对比下方是真实成交量与预测成交量的对照预测区间长度默认 120 根 K 线微调后的策略回测曲线。走 finetune/ 的 Qlib 流程在 A 股日线数据上完成两阶段微调后用 top-K 简单策略做回测输出策略累计收益相对基准指数的曲线用于评估模型信号是否有超额收益真实个股的预测图与分析报告。examples/yuce/ 目录保存了沪深个股如 000021的预测结果图每只股票配套一份 JSON 分析报告包含趋势判断、板块分析、宏观评分等字段方便逐条核对模型对单只股票的输出细节本地跑起K线预测的两种入口环境要求只有两条Python 3.10 和一张能跑 PyTorch 的机器CPU 也能跑只是慢。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt入口一WebUI 网页界面零代码。进入 webui/ 目录执行python run.py浏览器打开http://localhost:7070即可。操作流程是选择 CSV 数据文件 → 挑选模型规格与计算设备CPU / CUDA / MPS→ 拖动时间窗口固定 400 历史 120 预测的数据点→ 点击预测。数据文件只需包含open、high、low、close四列volume、amount和时间戳列为可选。首次加载模型会从 Hugging Face 拉取权重稍等片刻。入口二KronosPredictor 编程接口。直接from model import Kronos, KronosTokenizer, KronosPredictor加载预训练权重predict方法接收历史 DataFrame、历史时间戳序列和未来时间戳序列返回含全部 OHLCV 字段的预测 DataFrame。predict_batch方法可一次并行预测多只标的要求各序列的历史长度与预测长度一致。随机性通过三个参数调节T采样温度、top_p核采样概率、sample_count采样条数后取平均。 一个容易忽略的细节small 和 base 的最大上下文是 512 根 K 线历史窗口给太长会被KronosPredictor自动截断给数据前先确认 lookback 不超这个值。mini/small/base 参数怎么选 项目放出三个规格的开源预训练模型全部可从 Hugging Face Hub 直接加载模型参数量上下文长度定位Kronos-mini4.1M2048轻量试跑长上下文Kronos-small24.7M512README 示例默认速度与精度平衡Kronos-base102.3M512精度更高Kronos-large499.2M512未开源选型建议很直白先用 mini 把数据格式、脚本链路跑通确认没有环境坑之后再换 small 或 base避免一开始就被环境问题卡住。mini 的 2048 上下文适合喂更长的历史small/base 则控制在 512 以内。K线数据如何被模型读懂两阶段架构整条链路在 model/ 目录里实现分两步专用分词器Tokenizer把连续的 OHLCV 数值量化成两层粗细不同的离散编码——粗粒度层捕捉整体形态细粒度层保留局部细节两层配合避免信息丢失。源码中对应encode/decode双向流程且带可学习的码本熵约束不是简单的等宽分箱。自回归 TransformerPredictor在这些符号序列上做预训练任务是给定前面的符号预测下一个符号本质和语言模型预测下一个词同构。这种架构对高噪声金融数据的容错性优于直接回归价格数值的常规时序模型。预测时模型采样出未来符号序列再经 tokenizer 解码回 OHLCV 数值T、top_p、sample_count正是控制这一步采样随机性的旋钮——多采几条路径取平均输出会更稳。三条进阶路线按你的角色挑只想验证效果的读者WebUI 就是终点界面自带 K 线图展示和预测值与实际值的误差对比分析不用写一行代码。有自己 CSV 数据的开发者finetune_csv/ 提供改配置即训的微调流程——数据准备一份含 timestamps 和 OHLCV 列的 CSV缺 volume/amount 可填 0修改 finetune_csv/configs/ 下的 yaml 指定数据路径、回看窗口默认 512和预测窗口默认 48然后一条命令顺序训练 tokenizer 和 predictorcd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml目录内置了阿里巴巴港股 09988 五分钟 K 线的完整示例finetune_csv/examples/ 里就是微调后跑出的预测图。多卡环境可叠加torchrun做 DDP 加速。量化研究者finetune/ 是面向 Qlib 生态的脚本链qlib_data_preprocess.py切分训练/验证/测试集torchrun启动train_tokenizer.py与train_predictor.py两阶段训练最后qlib_test.py --device cuda:0在测试集上推理并做 top-K 策略回测。所有路径与超参数集中在finetune/config.py里改。边界说清楚回测曲线离实盘还有多远 ⚠️官方在 README 里明确声明finetune/ 回测流水线只是演示模型输出的是原始预测信号不是可直接上场的交易系统。要从演示走到生产至少还隔着组合优化、风险因子中性化剥离市场 beta、风格暴露、交易成本与滑点建模这一整套工程。把预期摆正之后Kronos 的价值就很清楚了它把读 K 线这件依赖经验的事收敛成分词量化加自回归预测一条可复现、可微调、可回测验证的链路且每一步的权重、数据和脚本都摆在仓库里。对普通投资者它是零门槛的预测可视化入口对研究者它是一个可以持续替换数据、叠加策略的基座——至于它预测的曲线值不值得下注答案在你的回测里而不是在这篇文章里。【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