企业官网建设流程全解析

Kronos金融K线预测完整指南：10分钟跑通第一条未来K线

【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 是一个开源的金融K线基础模型（MIT 协议），在 45 个以上全球交易所的K线数据上预训练，能把一段历史K线直接续写成未来的K线序列。它不只是单个预测脚本，而是一套"分词器 + 自回归 Transformer"的完整框架，你既可以几行代码出预测结果，也可以拿自己的数据继续微调。

直接预测未来K线，难在哪

做股票预测的人大多试过技术指标：均线、MACD、RSI。它们的本质是人工写死的规则，能描述过去的形态，却很难处理金融序列的三个特点：高噪声、非线性、多时间尺度。价格里混着大量随机波动，趋势还会在不同周期上互相干扰。

另一类思路是用通用时间序列模型（TSFM）直接回归下一根K线的价格。但通用模型是为"预测一条曲线"设计的，而K线是五列联动的数据——开盘、最高、最低、收盘、成交量必须同时预测且互相自洽。直接输出连续数值的模型，很难保证生成的四根"影线"关系合理。

所以真正的问题可以归结为一句：如何让模型像"写文章"一样，一根一根地续写K线？Kronos 就是针对这个问题给出的答案。

Kronos的做法：先把K线拆成"字"，再学"写句子"

Kronos 采用两阶段设计，对应源码目录 model/ 下的两个核心组件：

1. 分词器（KronosTokenizer）：用 Transformer 编码器把连续的 OHLCV 数据压缩，再通过二值球面量化（BSQuantizer）把每一根K线量化成两级离散 token——粗粒度的 pre-token 记录这根K线的整体形态，细粒度的 post-token 补齐细节。
2. 自回归 Transformer（Kronos 主干）：在这些 token 序列上做语言模型式的预训练，学会"给定前 N 根K线的 token，下一个 token 该是什么"。

这个过程和语言大模型惊人地相似：文本先被切成字词，模型学会"下一句怎么写"；Kronos 则先把每根K线拆成两级"字"，再让 Transformer 学会"市场接下来怎么写"。正因为预测被转化成了 token 续写，采样参数（温度、top-p、多路径平均）都能像生成文本一样使用，预测天然是概率性的、可多路径的。

模型家族共四档，均托管在 Hugging Face Hub，其中 large 未开源：

10分钟跑通第一条K线预测：安装、加载与出图

环境要求 Python 3.10+，依赖清单很短（torch、pandas、huggingface_hub 等），见 requirements.txt。克隆并安装：

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

输入数据的约定很宽松：一个 pandas DataFrame，必须包含open、high、low、close四列，volume、amount可选；再配两组时间戳——历史段的x_timestamp和要预测的未来段的y_timestamp。核心调用只有几行：

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_ts, y_timestamp=y_ts, pred_len=120)

predict会自动完成预处理、归一化、采样和反归一化，返回的 DataFrame 按y_timestamp索引，包含预测出的 OHLCV 各列。三个参数值得知道：T（采样温度）、top_p（核采样）、sample_count（生成多条预测路径再平均，调大可平滑结果）。注意 small/base 的max_context上限是 512，历史数据超过会被自动截断，mini 则支持 2048。

不想写代码也有两条路：

• 直接运行 examples/prediction_example.py，它是"读数据→预测→画对比图"的完整可运行脚本；只有价格没有成交量的数据用 examples/prediction_wo_vol_example.py。
• 启动 Web 界面：cd webui && python run.py，浏览器访问localhost:7070。界面上拖一个滑块就能选 400+120 数据点的时间窗口，支持 CSV、Feather 格式，CPU/CUDA/Apple Silicon MPS 都能跑，详见 webui/README.md。

从单只股票到整个市场：批量预测与自己的数据微调

批量预测用predict_batch：把多只股票的 DataFrame 和历史/未来时间戳分别放进三个列表一次性提交，底层利用 GPU 并行，且每条序列独立做归一化。约束是所有序列的历史长度和pred_len必须一致。沪深300级别的批量预测脚本在 examples/yuce/ 下有现成示例和产出图。

想让自己的市场数据上效果更好，项目给了两条微调路线：

• A股日频路线finetune/：基于 Qlib 数据，四步走——先在 finetune/config.py 配置路径与超参，再跑qlib_data_preprocess.py切分数据集，然后用torchrun多卡依次训练 tokenizer（train_tokenizer.py）和 predictor（train_predictor.py），最后python finetune/qlib_test.py --device cuda:0做 top-K 策略回测。
• 自定义CSV路线finetune_csv/：适合手里只有CSV的朋友。数据需包含timestamps、open、high、low、close列（volume、amount没有就填 0），配好 YAML 配置后一条命令顺序训练：python train_sequential.py --config configs/config_ali09988_candle-5min.yaml，多卡可加 DDP 加速。官方用阿里巴巴港股 5 分钟K线做示范，配置样例在 finetune_csv/configs/config_ali09988_candle-5min.yaml。

Kronos适合什么？这些边界用前要知道

适合的场景：研究金融时序基础模型、快速搭建K线预测原型、在自有数据（含 5 分钟等高频粒度）上微调、批量生成多资产概率化预测路径。它已被 AAAI 2026 接收，论文发布于 arXiv（2025 年 8 月），MIT 协议意味着商用也没有授权门槛。

必须先认清的边界：

• 官方明确声明：finetune/ 流水线是演示流程，不是生产级量化交易系统。模型输出的是原始预测信号，真实策略通常还要接组合优化、风险因子中性化来提取净 alpha。
• 回测用的是简单 top-K 策略，没有建模交易成本、滑点和市场冲击，收益曲线别直接当实盘预期。
• 预测是采样生成的概率结果，同一输入多次运行会有差异；amount列不参与预测，只用于展示。
• 如果你只是想做基础技术分析，传统指标可能更透明；Kronos 的价值在于把"预测K线"统一成一个可扩展的基础模型问题，适合愿意做后续工程化的研究者。

代码逻辑以 model/kronos.py 和 model/module.py 为准，微调目录中部分注释由 AI 生成（README 已提示），阅读时以代码本身为准。

【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