Awesome-finance-skills的alphaear-predictor深度剖析Kronos时序模型与新闻情绪感知预测【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-skillsalphaear-predictor是开源项目Awesome-finance-skills中最具技术含量的一款金融分析技能它基于Kronos 时序预测模型对股票 K 线进行量化预测并首次将新闻情绪作为模型输入做定量修正让 AI Agent 从只看K线进化为K线 新闻双重感知的市场预测引擎。一、什么是 alphaear-predictorAwesome-finance-skills 是一套即插即用的金融 Agent 技能集合包含新闻聚合、行情数据、情绪分析、逻辑可视化、研报生成等 8 款技能。其中 alphaear-predictor 承担市场预测职责解决一个核心问题纯技术指标预测无法感知今天发生了什么——而新闻恰恰是市场短期波动的重要驱动力。它的定位可以概括为一句话用 Kronos 做量化的底子用新闻情绪做定量的修正最后用 LLM 分析师做定性的把关。二、两阶段预测工作流量化打底 AI 修正alphaear-predictor 的预测流程分为清晰的两个阶段阶段 1Kronos 生成基础预测技术面核心入口是 KronosPredictorUtility其get_base_forecast(df, lookback, pred_len, news_text)方法会取最近20 个交易日的 OHLCV 历史数据作为上下文由 Kronos 模型自回归采样输出未来N 个交易日默认 5 日的开盘/最高/最低/收盘/成交量序列输出结构化为KLinePoint数据点便于 Agent 直接消费。阶段 2LLM 分析师做主观调整消息面基础预测只是纯技术面的结果。随后 Agent 会加载 PROMPTS.md 中内置的**资深量化策略分析师提示词**将 Kronos 基础预测与最新新闻情报放在一起按以下原则修正若存在新闻感知模型的定量修正高度尊重该修正结果用新闻逻辑做定性验证或微调最终输出严格的 JSON 格式调整预测 调整理由rationale。这套模型出数、AI 把关的设计既保留了时序模型的数值稳定性又让最新突发事件能即时影响预测结论。三、Kronos 时序模型深度解析Kronos 是专为金融市场设计的时序大模型源码位于 skills/alphaear-predictor/scripts/predictor/model/由两大部件组成1. KronosTokenizer把K线分词成Token传统时序模型直接吃数值而 Kronos 借鉴了大语言模型的思想——先用KronosTokenizer把 K 线序列压缩为离散 Token。其核心是BSQuantizer二值球面量化配合编解码 Transformer 层将 OHLCV 数据压缩为双层比特码本s1_bits s2_bits。打个比方就像给 K 线造了一套语言模型才能像读文本一样读懂行情走势。2. Kronos 主干 新闻投影层news_proj这是 alphaear-predictor 的精髓所在。除了加载基础 Kronos 模型外工具类还会自动扫描模型目录中的.pt权重文件如kronos_news_v1_*.pt若找到训练好的新闻投影层news_proj_state_dict会将其挂载到主干模型上模型进入新闻感知模式has_news_model True若没有则自动降级为纯技术面预测不阻断流程。推理时kronos_predictor.py#L127-L150新闻文本最长 1000 字符经 SentenceTransformer 编码为向量向量通过news_proj线性层投影进 Kronos 的特征空间与 K 线 Token 一起参与预测——新闻信息由此真正注入了数值预测。四、如何快速上手一键安装步骤# 安装 alphaear-predictor 技能 npx skills add RKiding/Awesome-finance-skillsalphaear-predictor模型与依赖配置配置项说明Kronos 基础模型首次运行自动下载NeoQuasar/Kronos-base新闻投影权重放入 exports/models/ 目录即可自动加载EMBEDDING_MODEL情绪/新闻向量模型默认sentence-transformers/all-MiniLM-L6-v2核心依赖torch、transformers、sentence-transformers、pandas、numpy、scikit-learn配置完成后直接向你的 Agent 提问即可预测 600519 未来 7 个交易日的走势工具链会调用 ForecastUtils 自动完成取行情 → 基础预测 → 分析师修正全流程。五、与其他技能如何协同alphaear-predictor 并非孤岛它的新闻输入正是由兄弟技能提供的alphaear-news聚合财联社、华尔街见闻等 10 信源提供最新财经情报作为预测的news_textalphaear-sentimentFinBERT/LLM 情绪评分-1.0 ~ 1.0为新闻利好/利空提供量化依据alphaear-logic-visualizer把新闻 → 板块 → 个股的传导逻辑画成链路图帮助复盘预测依据。六、核心文件索引文件作用SKILL.md技能定义与工作流说明kronos_predictor.py模型加载、新闻感知注入与推理入口forecast_agent.py数据准备与预测编排PROMPTS.md分析师调整提示词模板predictor/model/kronos.pyKronos 模型与 Tokenizer 实现test_predictor.py单元自检脚本总结alphaear-predictor 用一套精巧的架构回答了AI 如何预测市场Kronos 时序模型负责把历史 K 线读懂并给出量化预测新闻投影层让最新情报直接参与数值修正LLM 分析师再做最终把关。三层递进既有模型的确定性又有消息面的灵敏度——这正是它区别于普通看图说话式 AI 预测的关键。【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
Awesome-finance-skills的alphaear-predictor深度剖析Kronos时序模型与新闻情绪感知预测【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-skillsalphaear-predictor是开源项目Awesome-finance-skills中最具技术含量的一款金融分析技能它基于Kronos 时序预测模型对股票 K 线进行量化预测并首次将新闻情绪作为模型输入做定量修正让 AI Agent 从只看K线进化为K线 新闻双重感知的市场预测引擎。一、什么是 alphaear-predictorAwesome-finance-skills 是一套即插即用的金融 Agent 技能集合包含新闻聚合、行情数据、情绪分析、逻辑可视化、研报生成等 8 款技能。其中 alphaear-predictor 承担市场预测职责解决一个核心问题纯技术指标预测无法感知今天发生了什么——而新闻恰恰是市场短期波动的重要驱动力。它的定位可以概括为一句话用 Kronos 做量化的底子用新闻情绪做定量的修正最后用 LLM 分析师做定性的把关。二、两阶段预测工作流量化打底 AI 修正alphaear-predictor 的预测流程分为清晰的两个阶段阶段 1Kronos 生成基础预测技术面核心入口是 KronosPredictorUtility其get_base_forecast(df, lookback, pred_len, news_text)方法会取最近20 个交易日的 OHLCV 历史数据作为上下文由 Kronos 模型自回归采样输出未来N 个交易日默认 5 日的开盘/最高/最低/收盘/成交量序列输出结构化为KLinePoint数据点便于 Agent 直接消费。阶段 2LLM 分析师做主观调整消息面基础预测只是纯技术面的结果。随后 Agent 会加载 PROMPTS.md 中内置的**资深量化策略分析师提示词**将 Kronos 基础预测与最新新闻情报放在一起按以下原则修正若存在新闻感知模型的定量修正高度尊重该修正结果用新闻逻辑做定性验证或微调最终输出严格的 JSON 格式调整预测 调整理由rationale。这套模型出数、AI 把关的设计既保留了时序模型的数值稳定性又让最新突发事件能即时影响预测结论。三、Kronos 时序模型深度解析Kronos 是专为金融市场设计的时序大模型源码位于 skills/alphaear-predictor/scripts/predictor/model/由两大部件组成1. KronosTokenizer把K线分词成Token传统时序模型直接吃数值而 Kronos 借鉴了大语言模型的思想——先用KronosTokenizer把 K 线序列压缩为离散 Token。其核心是BSQuantizer二值球面量化配合编解码 Transformer 层将 OHLCV 数据压缩为双层比特码本s1_bits s2_bits。打个比方就像给 K 线造了一套语言模型才能像读文本一样读懂行情走势。2. Kronos 主干 新闻投影层news_proj这是 alphaear-predictor 的精髓所在。除了加载基础 Kronos 模型外工具类还会自动扫描模型目录中的.pt权重文件如kronos_news_v1_*.pt若找到训练好的新闻投影层news_proj_state_dict会将其挂载到主干模型上模型进入新闻感知模式has_news_model True若没有则自动降级为纯技术面预测不阻断流程。推理时kronos_predictor.py#L127-L150新闻文本最长 1000 字符经 SentenceTransformer 编码为向量向量通过news_proj线性层投影进 Kronos 的特征空间与 K 线 Token 一起参与预测——新闻信息由此真正注入了数值预测。四、如何快速上手一键安装步骤# 安装 alphaear-predictor 技能 npx skills add RKiding/Awesome-finance-skillsalphaear-predictor模型与依赖配置配置项说明Kronos 基础模型首次运行自动下载NeoQuasar/Kronos-base新闻投影权重放入 exports/models/ 目录即可自动加载EMBEDDING_MODEL情绪/新闻向量模型默认sentence-transformers/all-MiniLM-L6-v2核心依赖torch、transformers、sentence-transformers、pandas、numpy、scikit-learn配置完成后直接向你的 Agent 提问即可预测 600519 未来 7 个交易日的走势工具链会调用 ForecastUtils 自动完成取行情 → 基础预测 → 分析师修正全流程。五、与其他技能如何协同alphaear-predictor 并非孤岛它的新闻输入正是由兄弟技能提供的alphaear-news聚合财联社、华尔街见闻等 10 信源提供最新财经情报作为预测的news_textalphaear-sentimentFinBERT/LLM 情绪评分-1.0 ~ 1.0为新闻利好/利空提供量化依据alphaear-logic-visualizer把新闻 → 板块 → 个股的传导逻辑画成链路图帮助复盘预测依据。六、核心文件索引文件作用SKILL.md技能定义与工作流说明kronos_predictor.py模型加载、新闻感知注入与推理入口forecast_agent.py数据准备与预测编排PROMPTS.md分析师调整提示词模板predictor/model/kronos.pyKronos 模型与 Tokenizer 实现test_predictor.py单元自检脚本总结alphaear-predictor 用一套精巧的架构回答了AI 如何预测市场Kronos 时序模型负责把历史 K 线读懂并给出量化预测新闻投影层让最新情报直接参与数值修正LLM 分析师再做最终把关。三层递进既有模型的确定性又有消息面的灵敏度——这正是它区别于普通看图说话式 AI 预测的关键。【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
