Kronos K线预测入门从安装到第一份 120 点预测【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假设你手里有一段 5 分钟 K 线数据想知道接下来 120 根 K 线大概怎么走。这正是 Kronos 要解决的问题它是一个面向金融 K 线预测的开源金融大模型输入历史行情输出未来的价格与成交量序列。下面按「装环境 → 跑第一次预测 → 看懂原理 → 回测验证 → 换成自己的数据」的顺序走一遍不需要你有金融时序建模背景。项目速览Kronos 能做什么选哪个规格Kronos 做的事情可以概括为两点把 OHLCV 行情开、高、低、收、量即一根 K 线的完整信息当作一种「语言」来理解再顺着这种语言把未来的 K 线「写」出来。它基于全球 40 多家交易所的 K 线数据预训练提供三个可直接加载的开源规格区别主要在参数量和能处理的序列长度模型规格参数量最大上下文适合场景Kronos-mini4.1M2048低配机器跑通流程需要看更长历史Kronos-small24.7M512日常预测与回测显存压力适中Kronos-base102.3M512追求更高预测上限、显存够用新手建议直接从小规格开始512 的上下文意味着喂给它最近 512 根 K 线作为参考窗口对分钟级数据已经覆盖相当长的历史而加载速度在普通 GPU 上完全可接受。安装 Kronos克隆仓库并装好依赖这一节的目标是让环境在 3 分钟内可用。要求 Python 3.10 及以上版本然后执行git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt依赖清单很短核心是 PyTorch、pandas 和 Hugging Face Hub模型权重从这个库自动下载。如果你的机器上已有其他项目占用了全局环境建议建一个独立的虚拟环境再执行安装后面「避坑」一节会说原因。跑通第一次 K 线预测最少必要代码这一节只回答一个问题代码最少能写到多短加载分词器和模型、组装预测器、调用预测核心就 5 步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_context512) pred_df predictor.predict(dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120)输入x_df是一张 CSV 读出来的 pandas 表格必须包含open、high、low、close四列volume、amount两列可选没有就填 0x_timestamp是历史数据对应的时间戳y_timestamp是你想预测的未来时间点。输出pred_df里就是未来 120 个时间点上每个 OHLCV 字段的预测值。上面是预测曲线与真实值叠加的效果上方是收盘价下方是成交量。想要直接能跑的完整脚本含画图看 examples/prediction_example.py多只股票一起预测则参考 examples/prediction_batch_example.py它用的是predict_batch接口一次并行处理多支标的。它凭什么能预测分词器 自回归的双阶段机制这一节用几句话把原理讲清楚不用看源码。Kronos 把预测拆成两步第一步由一个专门的 K 线分词器tokenizer可以把理解成把连续数字翻译成「文字」的工具把 OHLCV 这些连续值量化成一串离散 token而且 token 是分层设计的——粗粒度 token 记录长周期趋势细粒度 token 记录短期波动第二步交给一个自回归 Transformer自回归指像大语言模型逐字补全句子那样根据前文逐个预测下一个 token基于已知的 token 序列依次「续写」出未来的 token最后再逆量化回 K 线数值。整个架构如下图理解了这一点后面很多细节就顺理成章为什么输入长度要限制在 512small/base 的上下文上限因为第二步的模型一次最多处理这么长的 token 序列。为什么微调要分两阶段因为第一步和第二步是两套独立参数。读懂回测曲线Kronos 效果的两个观察角度预测好不好不能只看单支股票的曲线得放到回测里检验。Kronos 提供了一套基于 Qlib 的回测脚本finetune/qlib_test.py模型在测试集上生成预测信号按预测收益选前 K 只股票构成组合再和沪深 300 基准对比。产出的累计收益曲线可以这样读看策略线和基准线虚线的相对位置整段周期里策略线在上方说明组合跑赢了指数看超额收益部分扣除成本后曲线仍然向上代表信号本身有效而不是靠杠杆或择时侥幸看回撤深度两段上升之间如果曲线没有大幅下探说明策略在不同行情下的波动可控。对高频场景仓库里还有一组用港股 5 分钟 K 线阿里巴巴 09988微调后的预测样例位于 finetune_csv/ 目录读这张图重点看两处预测段的价格形态方向、波动幅度与真实段的衔接是否自然以及成交量预测是否跟得上真实放量的节奏。单次预测的偏离很正常重点是整体趋势和量级是否对得上。把 Kronos 微调到你的数据上两阶段命令预训练模型见过的是全球混合数据换成你熟悉的标的时微调能让它适应你的数据分布。流程固定为两阶段各一条命令python finetune/qlib_data_preprocess.py # 数据切分为训练/验证/测试集 torchrun --standalone --nproc_per_node2 finetune/train_tokenizer.py # 第一阶段微调分词器 torchrun --standalone --nproc_per_node2 finetune/train_predictor.py # 第二阶段微调预测器所有路径和超参数回看窗口、预测窗口、batch size、学习率等集中在 finetune/config.py 里开跑前先按你的环境改掉数据目录和模型路径。为什么要先动分词器再动预测器因为预测器是在分词器定义的 token 空间里做学习的——先把分词器调成认得你的数据预测器才能站在一个合适的地基上。如果你手头是 CSV 格式的行情列名要求见 finetune_csv/README_CN.md也可以走 finetune_csv/train_sequential.py 这条更简单的路线一条命令顺序完成两个阶段。避坑三则依赖、显存、效果依赖冲突导致装不上。Kronos 依赖里锁定了若干版本如 pandas 2.2.2如果和你系统里其他项目冲突用虚拟环境隔离最省事python -m venv kronos_env激活后再执行安装命令。显存不够用。依次尝试把batch_size调小、改用 Kronos-mini参数量只有 small 的六分之一、缩短输入序列长度。mini 规格还额外支持 2048 的上下文小显存下反而是长序列任务的好选择。预测效果不理想。预测是采样出来的T温度和top_p两个参数直接控制输出的随机程度温度越低预测越贴近历史惯性、越「保守」top_p调小会收窄候选范围。仓库回测脚本里用的是T0.6、top_p0.9可以作为起点再上下微调。另外单次预测偏离大不一定代表模型不行配合sample_count多采样几条路径取平均能显著平滑随机性。小结与下一步Kronos 把 K 线变成 token 序列预测问题就转化成了类似大语言模型的续写问题small 规格 512 上下文足够走完「预测 → 回测」完整流程是最稳妥的起步配置换成自己的数据时记住「先分词器、后预测器」这条顺序。下一步建议用你自己的 CSV 数据把回测跑一遍或者试试predict_batch同时预测一篮子股票。提醒一句以上所有预测与回测结果仅供参考不构成投资建议。【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 K线预测入门从安装到第一份 120 点预测【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假设你手里有一段 5 分钟 K 线数据想知道接下来 120 根 K 线大概怎么走。这正是 Kronos 要解决的问题它是一个面向金融 K 线预测的开源金融大模型输入历史行情输出未来的价格与成交量序列。下面按「装环境 → 跑第一次预测 → 看懂原理 → 回测验证 → 换成自己的数据」的顺序走一遍不需要你有金融时序建模背景。项目速览Kronos 能做什么选哪个规格Kronos 做的事情可以概括为两点把 OHLCV 行情开、高、低、收、量即一根 K 线的完整信息当作一种「语言」来理解再顺着这种语言把未来的 K 线「写」出来。它基于全球 40 多家交易所的 K 线数据预训练提供三个可直接加载的开源规格区别主要在参数量和能处理的序列长度模型规格参数量最大上下文适合场景Kronos-mini4.1M2048低配机器跑通流程需要看更长历史Kronos-small24.7M512日常预测与回测显存压力适中Kronos-base102.3M512追求更高预测上限、显存够用新手建议直接从小规格开始512 的上下文意味着喂给它最近 512 根 K 线作为参考窗口对分钟级数据已经覆盖相当长的历史而加载速度在普通 GPU 上完全可接受。安装 Kronos克隆仓库并装好依赖这一节的目标是让环境在 3 分钟内可用。要求 Python 3.10 及以上版本然后执行git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt依赖清单很短核心是 PyTorch、pandas 和 Hugging Face Hub模型权重从这个库自动下载。如果你的机器上已有其他项目占用了全局环境建议建一个独立的虚拟环境再执行安装后面「避坑」一节会说原因。跑通第一次 K 线预测最少必要代码这一节只回答一个问题代码最少能写到多短加载分词器和模型、组装预测器、调用预测核心就 5 步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_context512) pred_df predictor.predict(dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120)输入x_df是一张 CSV 读出来的 pandas 表格必须包含open、high、low、close四列volume、amount两列可选没有就填 0x_timestamp是历史数据对应的时间戳y_timestamp是你想预测的未来时间点。输出pred_df里就是未来 120 个时间点上每个 OHLCV 字段的预测值。上面是预测曲线与真实值叠加的效果上方是收盘价下方是成交量。想要直接能跑的完整脚本含画图看 examples/prediction_example.py多只股票一起预测则参考 examples/prediction_batch_example.py它用的是predict_batch接口一次并行处理多支标的。它凭什么能预测分词器 自回归的双阶段机制这一节用几句话把原理讲清楚不用看源码。Kronos 把预测拆成两步第一步由一个专门的 K 线分词器tokenizer可以把理解成把连续数字翻译成「文字」的工具把 OHLCV 这些连续值量化成一串离散 token而且 token 是分层设计的——粗粒度 token 记录长周期趋势细粒度 token 记录短期波动第二步交给一个自回归 Transformer自回归指像大语言模型逐字补全句子那样根据前文逐个预测下一个 token基于已知的 token 序列依次「续写」出未来的 token最后再逆量化回 K 线数值。整个架构如下图理解了这一点后面很多细节就顺理成章为什么输入长度要限制在 512small/base 的上下文上限因为第二步的模型一次最多处理这么长的 token 序列。为什么微调要分两阶段因为第一步和第二步是两套独立参数。读懂回测曲线Kronos 效果的两个观察角度预测好不好不能只看单支股票的曲线得放到回测里检验。Kronos 提供了一套基于 Qlib 的回测脚本finetune/qlib_test.py模型在测试集上生成预测信号按预测收益选前 K 只股票构成组合再和沪深 300 基准对比。产出的累计收益曲线可以这样读看策略线和基准线虚线的相对位置整段周期里策略线在上方说明组合跑赢了指数看超额收益部分扣除成本后曲线仍然向上代表信号本身有效而不是靠杠杆或择时侥幸看回撤深度两段上升之间如果曲线没有大幅下探说明策略在不同行情下的波动可控。对高频场景仓库里还有一组用港股 5 分钟 K 线阿里巴巴 09988微调后的预测样例位于 finetune_csv/ 目录读这张图重点看两处预测段的价格形态方向、波动幅度与真实段的衔接是否自然以及成交量预测是否跟得上真实放量的节奏。单次预测的偏离很正常重点是整体趋势和量级是否对得上。把 Kronos 微调到你的数据上两阶段命令预训练模型见过的是全球混合数据换成你熟悉的标的时微调能让它适应你的数据分布。流程固定为两阶段各一条命令python finetune/qlib_data_preprocess.py # 数据切分为训练/验证/测试集 torchrun --standalone --nproc_per_node2 finetune/train_tokenizer.py # 第一阶段微调分词器 torchrun --standalone --nproc_per_node2 finetune/train_predictor.py # 第二阶段微调预测器所有路径和超参数回看窗口、预测窗口、batch size、学习率等集中在 finetune/config.py 里开跑前先按你的环境改掉数据目录和模型路径。为什么要先动分词器再动预测器因为预测器是在分词器定义的 token 空间里做学习的——先把分词器调成认得你的数据预测器才能站在一个合适的地基上。如果你手头是 CSV 格式的行情列名要求见 finetune_csv/README_CN.md也可以走 finetune_csv/train_sequential.py 这条更简单的路线一条命令顺序完成两个阶段。避坑三则依赖、显存、效果依赖冲突导致装不上。Kronos 依赖里锁定了若干版本如 pandas 2.2.2如果和你系统里其他项目冲突用虚拟环境隔离最省事python -m venv kronos_env激活后再执行安装命令。显存不够用。依次尝试把batch_size调小、改用 Kronos-mini参数量只有 small 的六分之一、缩短输入序列长度。mini 规格还额外支持 2048 的上下文小显存下反而是长序列任务的好选择。预测效果不理想。预测是采样出来的T温度和top_p两个参数直接控制输出的随机程度温度越低预测越贴近历史惯性、越「保守」top_p调小会收窄候选范围。仓库回测脚本里用的是T0.6、top_p0.9可以作为起点再上下微调。另外单次预测偏离大不一定代表模型不行配合sample_count多采样几条路径取平均能显著平滑随机性。小结与下一步Kronos 把 K 线变成 token 序列预测问题就转化成了类似大语言模型的续写问题small 规格 512 上下文足够走完「预测 → 回测」完整流程是最稳妥的起步配置换成自己的数据时记住「先分词器、后预测器」这条顺序。下一步建议用你自己的 CSV 数据把回测跑一遍或者试试predict_batch同时预测一篮子股票。提醒一句以上所有预测与回测结果仅供参考不构成投资建议。【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
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
