Kronos 实战个人投资者与量化团队用金融基础模型做 K线预测的 5 件必会事【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/KronosKronos 是开源社区少有的金融 K线基础模型输入开高低收量OHLCV序列输出未来多个时间点的价格与成交量预测支持批量推理、策略回测与微调。会 Python、看得懂 K 线即可上手个人投资者与量化团队都能直接使用。选型速览Kronos 四个档位怎么选据仓库 READMEKronos 是一组 decoder-only只看已读到的历史信息、逐步往前生成类似只根据已经写出的句子猜下一句结构的金融基础模型预训练数据覆盖全球 45 个以上交易所的 K 线序列论文被 AAAI 2026 接收代码与权重按 MIT 协议开源。它不是通用时间序列模型而是针对金融数据高噪声、多尺度的特点专门设计定位是统一底座支撑预测、信号生成等多样量化任务。档位参数量上下文长度硬件建议适合谁Kronos-mini4.1M2048CPU 可跑低资源环境、快速验证Kronos-small24.7M512CPU 可跑GPU 更优日常预测的主力档位Kronos-base102.3M512建议 GPU追求更高预测质量Kronos-large499.2M512未开源仅作论文参考 选型建议多数场景选 small 即可单只股票的单次预测 CPU 就能完成512 的上下文足够日线级任务环境很弱就退到 mini批量预测和微调训练建议直接上 GPU。Kronos 股票价格预测安装3 分钟跑通第一笔预测环境要求只有一条Python 3.10依赖是 PyTorch、pandas、huggingface_hub 等几个常见库详见 requirements.txt模型权重首次运行时自动从 Hugging Face 拉取无需手动下载。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos # 克隆仓库 cd Kronos pip install -r requirements.txt # 安装依赖装好后最小可运行的预测脚本只有几行x_df、x_ts、y_ts为自备的历史与待预测数据from model import Kronos, KronosTokenizer, KronosPredictor tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) # 加载 tokenizer model Kronos.from_pretrained(NeoQuasar/Kronos-small) # 加载主模型 predictor KronosPredictor(model, tokenizer, max_context512) # 构建预测器 pred_df predictor.predict(dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120, T1.0, top_p0.9, sample_count1) # 生成 120 根预测几个必须知道的输入约定x_df是历史 K 线 DataFrameopen/high/low/close列为必备volume/amount可选缺失时自动补 0x_timestamp、y_timestamp分别是历史时段和待预测时段的时序small/base 的max_context为 512输入过长会被自动截断返回的pred_df按y_timestamp对齐包含预测的 open/high/low/close/volume/amount。两条低门槛路径Web 界面零代码与 API 集成 不想写代码时仓库内置了一个 Flask Plotly 的本地 Web 界面支持 CSV、Feather 数据格式和 CPU、CUDA、MPS 三种设备。在仓库根目录依次执行cd webui和python run.py启动后访问http://localhost:7070操作路径是选数据文件 → 选模型档位与设备 → 用滑块拖动 400120 数据点的时间窗口 → 调温度、核采样、样本数 → 点击预测。结果页会给出 K 线图、预测与实际的价差统计和误差分析适合作为第一次体验的入口。需要集成进自己的系统时直接调KronosPredictor的predict方法批量场景用predict_batch传入多个等长的 DataFrame 列表GPU 并行推理各序列独立做归一化/反归一化一次跑完一组资产的预测。控制随机性的有三个参数T温度控制输出随机程度、top_p核采样只保留累计概率达到 top_p 的一小撮候选 token相当于只在最可能的选项里挑、sample_count生成多条预测路径后取平均。官方建议温度 1.2~1.5、top_p 0.95~1.0、样本数 2~3质量更稳。实测结论K线预测走势对比与策略回测 先看单只股票的预测样例以 400 根历史 K 线为上下文预测后续 120 根5 分钟级 A 股数据红色为模型预测、蓝色为真实走势。从图中看收盘价预测贴合了震荡后上行的趋势形态成交量预测整体偏保守只捕捉到部分放量区间。回测口径更有参考价值。官方提供 A 股 top-K 策略回测脚本上图是扣费后累计收益last/mean/max/min 对应不同采样路径下图是相对 CSI300 基准的累计超额收益2024 年 10 月后策略曲线整体位于基准之上超额收益持续走正。需要说明官方明确标注这是一条简化演示流水线——top-K 选券加简单回测并非生产级量化系统真实使用还要叠加组合优化、风险因子中性化和交易成本建模。原理选读K线如何被模型读懂第一阶段是 token 化。K 线连续、多维、带噪直接训练很难。Kronos 的 Tokenizer 先用编码器压缩表示再经二值球面量化BSQ把每个时间点量化成粗粒度 细粒度两级子 token最后由解码器重建出 K 线——重建能力说明 token 确实保留了价格与成交量的关键信息。实现位于 model/module.py 的BSQuantizer。第二阶段是自回归每一步只依据已生成的内容预测下一步预训练。拿到 token 序列后一个因果 Transformer 按给定历史、猜下一个 token的方式训练每个 Transformer 块内部由多个 Intra-Block 组成块之间通过共享参数和交叉注意力Header/Query传递跨时间尺度信息既控制参数规模又保留长程依赖。核心代码在 model/kronos.py。用自己的数据微调Qlib 与 CSV 两条管线A 股 Qlib 管线finetune/用微软 Qlib 准备数据额外需pip install pyqlib路径与超参数集中在finetune/config.py修改四步走python finetune/qlib_data_preprocess.py # 数据预处理与切分 torchrun --standalone --nproc_per_node2 finetune/train_tokenizer.py # 微调 Tokenizer torchrun --standalone --nproc_per_node2 finetune/train_predictor.py # 微调 Predictor python finetune/qlib_test.py --device cuda:0 # 回测评估适合已有 Qlib A 股数据示例默认日线频率的团队跑完即可得到策略回测曲线。自定义 CSV 管线finetune_csv/面向任意 CSV K 线数据需含 timestamps/open/high/low/close/volume/amount 列volume、amount 可为 0。改一个 YAML 配置一条命令顺序训练 tokenizer 和 predictorcd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml # 顺序训练 # 多卡可加分布式torchrun --standalone --nproc_per_node8 train_sequential.py --config yaml下图是该管线在阿里巴巴港股 09988 五分钟数据上微调后的预测效果二次开发方面模型全部是标准 PyTorch 模块经 huggingface_hub 的from_pretrained加载替换权重即可换任意档位BSQuantizer、KronosTokenizer、Kronos均可单独 import复用进自己的 pipeline。谁适合怎么用个人投资者、量化团队与开发者个人投资者走 Web 界面拿到未来 120 个时间点的价格与成交量预测及误差统计辅助个股判断量化团队用predict_batch批量生成多资产信号接入既有组合优化与风控流程回测脚本做初步验证开发者/研究者用自有市场数据微调出领域定制版本或直接在 model/ 源码上二次开发。下一步可以立刻做的 5 件事克隆仓库并执行pip install -r requirements.txt完成 Kronos 安装运行 examples/prediction_example.py看第一张预测对比图启动 webui/ 零代码体验完整预测流程有自有 CSV 数据时按 finetune_csv/ 的管线微调再用 finetune/qlib_test.py 跑回测验证浏览 examples/ 目录获取更多单标的、批量预测与回测脚本。需要提醒模型输出是统计意义上的预测信号不构成投资建议真实交易前请用自己的数据做充分回测。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Kronos 实战个人投资者与量化团队用金融基础模型做 K线预测的 5 件必会事【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/KronosKronos 是开源社区少有的金融 K线基础模型输入开高低收量OHLCV序列输出未来多个时间点的价格与成交量预测支持批量推理、策略回测与微调。会 Python、看得懂 K 线即可上手个人投资者与量化团队都能直接使用。选型速览Kronos 四个档位怎么选据仓库 READMEKronos 是一组 decoder-only只看已读到的历史信息、逐步往前生成类似只根据已经写出的句子猜下一句结构的金融基础模型预训练数据覆盖全球 45 个以上交易所的 K 线序列论文被 AAAI 2026 接收代码与权重按 MIT 协议开源。它不是通用时间序列模型而是针对金融数据高噪声、多尺度的特点专门设计定位是统一底座支撑预测、信号生成等多样量化任务。档位参数量上下文长度硬件建议适合谁Kronos-mini4.1M2048CPU 可跑低资源环境、快速验证Kronos-small24.7M512CPU 可跑GPU 更优日常预测的主力档位Kronos-base102.3M512建议 GPU追求更高预测质量Kronos-large499.2M512未开源仅作论文参考 选型建议多数场景选 small 即可单只股票的单次预测 CPU 就能完成512 的上下文足够日线级任务环境很弱就退到 mini批量预测和微调训练建议直接上 GPU。Kronos 股票价格预测安装3 分钟跑通第一笔预测环境要求只有一条Python 3.10依赖是 PyTorch、pandas、huggingface_hub 等几个常见库详见 requirements.txt模型权重首次运行时自动从 Hugging Face 拉取无需手动下载。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos # 克隆仓库 cd Kronos pip install -r requirements.txt # 安装依赖装好后最小可运行的预测脚本只有几行x_df、x_ts、y_ts为自备的历史与待预测数据from model import Kronos, KronosTokenizer, KronosPredictor tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) # 加载 tokenizer model Kronos.from_pretrained(NeoQuasar/Kronos-small) # 加载主模型 predictor KronosPredictor(model, tokenizer, max_context512) # 构建预测器 pred_df predictor.predict(dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120, T1.0, top_p0.9, sample_count1) # 生成 120 根预测几个必须知道的输入约定x_df是历史 K 线 DataFrameopen/high/low/close列为必备volume/amount可选缺失时自动补 0x_timestamp、y_timestamp分别是历史时段和待预测时段的时序small/base 的max_context为 512输入过长会被自动截断返回的pred_df按y_timestamp对齐包含预测的 open/high/low/close/volume/amount。两条低门槛路径Web 界面零代码与 API 集成 不想写代码时仓库内置了一个 Flask Plotly 的本地 Web 界面支持 CSV、Feather 数据格式和 CPU、CUDA、MPS 三种设备。在仓库根目录依次执行cd webui和python run.py启动后访问http://localhost:7070操作路径是选数据文件 → 选模型档位与设备 → 用滑块拖动 400120 数据点的时间窗口 → 调温度、核采样、样本数 → 点击预测。结果页会给出 K 线图、预测与实际的价差统计和误差分析适合作为第一次体验的入口。需要集成进自己的系统时直接调KronosPredictor的predict方法批量场景用predict_batch传入多个等长的 DataFrame 列表GPU 并行推理各序列独立做归一化/反归一化一次跑完一组资产的预测。控制随机性的有三个参数T温度控制输出随机程度、top_p核采样只保留累计概率达到 top_p 的一小撮候选 token相当于只在最可能的选项里挑、sample_count生成多条预测路径后取平均。官方建议温度 1.2~1.5、top_p 0.95~1.0、样本数 2~3质量更稳。实测结论K线预测走势对比与策略回测 先看单只股票的预测样例以 400 根历史 K 线为上下文预测后续 120 根5 分钟级 A 股数据红色为模型预测、蓝色为真实走势。从图中看收盘价预测贴合了震荡后上行的趋势形态成交量预测整体偏保守只捕捉到部分放量区间。回测口径更有参考价值。官方提供 A 股 top-K 策略回测脚本上图是扣费后累计收益last/mean/max/min 对应不同采样路径下图是相对 CSI300 基准的累计超额收益2024 年 10 月后策略曲线整体位于基准之上超额收益持续走正。需要说明官方明确标注这是一条简化演示流水线——top-K 选券加简单回测并非生产级量化系统真实使用还要叠加组合优化、风险因子中性化和交易成本建模。原理选读K线如何被模型读懂第一阶段是 token 化。K 线连续、多维、带噪直接训练很难。Kronos 的 Tokenizer 先用编码器压缩表示再经二值球面量化BSQ把每个时间点量化成粗粒度 细粒度两级子 token最后由解码器重建出 K 线——重建能力说明 token 确实保留了价格与成交量的关键信息。实现位于 model/module.py 的BSQuantizer。第二阶段是自回归每一步只依据已生成的内容预测下一步预训练。拿到 token 序列后一个因果 Transformer 按给定历史、猜下一个 token的方式训练每个 Transformer 块内部由多个 Intra-Block 组成块之间通过共享参数和交叉注意力Header/Query传递跨时间尺度信息既控制参数规模又保留长程依赖。核心代码在 model/kronos.py。用自己的数据微调Qlib 与 CSV 两条管线A 股 Qlib 管线finetune/用微软 Qlib 准备数据额外需pip install pyqlib路径与超参数集中在finetune/config.py修改四步走python finetune/qlib_data_preprocess.py # 数据预处理与切分 torchrun --standalone --nproc_per_node2 finetune/train_tokenizer.py # 微调 Tokenizer torchrun --standalone --nproc_per_node2 finetune/train_predictor.py # 微调 Predictor python finetune/qlib_test.py --device cuda:0 # 回测评估适合已有 Qlib A 股数据示例默认日线频率的团队跑完即可得到策略回测曲线。自定义 CSV 管线finetune_csv/面向任意 CSV K 线数据需含 timestamps/open/high/low/close/volume/amount 列volume、amount 可为 0。改一个 YAML 配置一条命令顺序训练 tokenizer 和 predictorcd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml # 顺序训练 # 多卡可加分布式torchrun --standalone --nproc_per_node8 train_sequential.py --config yaml下图是该管线在阿里巴巴港股 09988 五分钟数据上微调后的预测效果二次开发方面模型全部是标准 PyTorch 模块经 huggingface_hub 的from_pretrained加载替换权重即可换任意档位BSQuantizer、KronosTokenizer、Kronos均可单独 import复用进自己的 pipeline。谁适合怎么用个人投资者、量化团队与开发者个人投资者走 Web 界面拿到未来 120 个时间点的价格与成交量预测及误差统计辅助个股判断量化团队用predict_batch批量生成多资产信号接入既有组合优化与风控流程回测脚本做初步验证开发者/研究者用自有市场数据微调出领域定制版本或直接在 model/ 源码上二次开发。下一步可以立刻做的 5 件事克隆仓库并执行pip install -r requirements.txt完成 Kronos 安装运行 examples/prediction_example.py看第一张预测对比图启动 webui/ 零代码体验完整预测流程有自有 CSV 数据时按 finetune_csv/ 的管线微调再用 finetune/qlib_test.py 跑回测验证浏览 examples/ 目录获取更多单标的、批量预测与回测脚本。需要提醒模型输出是统计意义上的预测信号不构成投资建议真实交易前请用自己的数据做充分回测。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
