企业官网建设流程全解析

8 分钟、千只股票：Kronos 金融预测怎么上手

【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

Kronos 是目前首个专为 K 线数据构建的开源基础模型，它在超过 45 家全球交易所的 K 线上训练，通过 Kronos 金融预测输出标的未来的 K 线与成交量。官方公布的测试中，批量分析 1000 只股票只需约 8 分钟。

还在一只只人工分析股票吗

单只股票人工看 K 线没问题，但换成指数里三四百只成分股，人工就没法做了：换一下观察窗口、换一批数据，全部重来，等跑完当天的盘中窗口早就过去了。这是批量股票分析的真实瓶颈——工作量随股票数量线性增长，模型再准也等不起。Kronos 改变的是这种工作方式：把「一只只看图」变成一次批量推理任务，把原本需要数小时的大规模分析压缩到分钟级。

3 分钟跑起来

这一节用两步带你跑通第一次预测：装好依赖，再打开图形界面做一次预测。先克隆仓库并安装依赖，需要 Python 3.10+：

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

不想写代码的话，直接启动 Web 界面：

cd webui python run.py

启动后在浏览器打开 http://localhost:7070 ：加载你的数据文件，选择模型和计算设备（CPU、CUDA、Apple MPS 都可以），拖动滑块选时间窗口，点预测，结果图表就出来了。想走代码路线，入口是KronosPredictor类，完整可运行的样例见 预测示例。三个关键参数用大白话说：

• max_context：模型一次最多能看多长的历史 K 线，超出的部分预测器会自动截断，不用你处理
• lookback：你实际喂给模型多少根历史 K 线，建议不超过 max_context 上限
• pred_len：要预测未来多少根，返回的就是这若干根 K 线的开高低收与成交量

多只股票同时跑时用predict_batch即可并行预测，要求各序列的历史长度和预测长度一致。

它内部到底在做什么

一句话：Kronos 把 K 线当成大语言模型对待文本的方式——先「分词」成离散符号，再用自回归 Transformer 预测下一个符号。整个过程分两级：

1. Tokenizer：把连续的 OHLCV 数值量化成分层的离散 token。类比成「把照片压缩成色块马赛克」——第一层 token 记录大致轮廓（趋势方向），第二层再补细节（具体涨跌）。这个压缩由 BSQ 量化器完成，每根 K 线最终变成一组「字符」，而不是一串浮点数。
2. Predictor：decoder-only 的自回归 Transformer，配因果注意力——只能看前文、不能偷看后文，就像写句子，下一个字只由前面的内容决定。它在几十个市场的 token 上预训练过，相当于「听过各市场方言」，遇到没见过的标的也能给出合理推测。

Kronos 的两阶段流程：连续 K 线数据先经 Tokenizer 量化为离散 token，再由自回归 Transformer 基于历史 token 序列生成未来 K 线。

预测得准不准

看项目公开的两类实测结果：单标的预测，以及批量回测。

整体实测指标

• 价格预测准确率超过 85%（项目公布数据）
• 成交量预测的趋势与实际走势吻合
• 以策略形式跑回测时，可对比含交易成本的累积收益与基准指数，看超额收益与风险调整后的表现

预测信号驱动的策略累积收益曲线与基准指数的对比，两条曲线之差即超额收益。

单只股票走一遍

以官方示例为准：600977 的 5 分钟 K 线，lookback 取 400 根，模型预测后续 120 根。拿到的是 120 根 K 线的开高低收和成交量，把预测曲线和真实曲线叠在一起看，价格走向与量能起伏基本同步。

上：收盘价，下：成交量。蓝色为真实值，红色为模型预测值。

换上自己的数据

如果预训练模型在你关注的市场或标的上不满意，可以用仓库提供的完整流程微调，一共四步：

1. 配置：修改 微调配置 里的路径与超参数——数据目录、检查点保存位置、训练轮数都集中在这里
2. 数据准备：跑python finetune/qlib_data_preprocess.py，生成训练/验证/测试集（依赖 pyqlib）
3. 两级训练：先torchrun配合finetune/train_tokenizer.py让分词器适配你的数据分布，再跑finetune/train_predictor.py微调预测主体，支持多卡
4. 验证：python finetune/qlib_test.py --device cuda:0做 top-K 回测，输出累积收益曲线和性能汇总

如果数据是 CSV 格式（timestamps / open / high / low / close / volume / amount，后两列没有数据时填 0 即可），有更轻的路子：CSV 微调文档 里train_sequential.py一条命令依次训完两个模块，支持多卡 DDP。

下图是把模型放到阿里巴巴（09988）的 5 分钟 K 线上微调后的预测结果：

在港交所 09988 五分钟 K 线数据上微调后，模型对历史窗口的拟合与对未来的预测示意。

需要多少硬件

官方建议的环境与公布的优化数据如下。

官方公布的优化效果：显存占用降低 20%，分析效率提升 53.8%，时间成本节省 67%。

模型家族共四档，按机器情况挑：

机器不够就先用 mini 起步，它的上下文也是最长的一档。

先弄清楚三件事

适合谁用？会看几行 Python 就能用：个人投资者选股、需要批量预测信号的量化研究者、想做千股并行筛查的风控团队，都在射程内。完全不想写代码，用 webui 图形界面也能覆盖基本流程。

要准备什么数据？有 open / high / low / close 的 K 线数据就行，volume 和 amount 可选（缺失填 0）。日频、分钟频都可以，官方示例与微调案例用的都是 5 分钟线。

开源免费吗？代码为 MIT 协议，mini / small / base 三档权重全部开源，论文已被 AAAI 2026 接收。你唯一要出的成本，是自己的机器或云算力。

把「读 K 线」从手工活变成批处理任务，就是 Kronos 想做的事。如果你在做选股研究、板块筛查或风险监控，今天就可以把仓库克隆下来跑第一次预测。

【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