Kronos 开源 AI 股票预测系统指南85% K线预测准确率从原理到实践一次讲清【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 是首个专门面向金融市场 K 线序列的开源基础模型能把 OHLCV 数据转成模型可理解的离散 Token再自回归地预测出未来的价格与成交量序列。它在 45 个全球交易所的数据上完成预训练价格预测准确率约 85%适合量化研究者、技术分析用户以及希望搭建自己的预测管线的开发者。一个只认 K 线的开源基础模型大语言模型让机器学会了读文本时间序列模型也能处理通用信号但金融 K 线是个特殊物种五维数据、高噪音、受情绪与突发事件驱动直接套用通用模型效果有限。Kronos 的定位就是把这个特殊物种单独拿出来建模。它由两部分组成一个专门的 Tokenizer负责把连续的 K 线数据量化成分层离散 Token一个 decoder-only 的自回归 Transformer负责在这些 Token 上完成序列预测。两者配合让同一个模型可以服务于多种量化任务。整体流程见下图原理拆解把行情图压成文本再逐帧续写可以把 Kronos 理解成一条行情图的视频编码 逐帧续写流水线先把连续画面切成离散编码压缩后交给模型让它按帧预测下一个画面。具体分四步第一步双粒度切分。Tokenizer 先做粗粒度编码把连续的多维 K 线数据离散化成一个一个语义单元再在每个粗粒度单元内部保留细粒度的子 Token承载更精细的价格与成交量信息。宏观轮廓和微观抖动因此都能进入模型视野。第二步BSQ 量化压缩。通过 BSQ 量化技术大幅降低数据维度得到紧凑的表示。压缩后的 Token 序列才是 Transformer 真正读的文本规模可控、训练稳定。第三步自回归续写。预测器由因果 Transformer 块堆叠而成预测下一时刻时只能使用此前的历史信息看不到未来——这与真实交易中的信息结构一致避免开卷考试式的虚高表现。第四步交叉注意力交互。模型内部通过交叉注意力机制让价格、成交量、时间戳等多路信息相互对齐加快收敛也让预测同时考虑多个维度而非单一价格线。效果验证回测收益与个股精度先看批量回测。对比带成本与无成本两种口径Kronos 的累积收益显著跑赢基准 CSI300超额收益呈持续上升趋势波动市中也能保持为正最大回撤控制在可接受区间再看单票精度。官方示例中价格与成交量的预测曲线与真实走势贴合度较高三个关键指标指标数值价格预测准确率约 85%成交量峰值预测精度90% 以上趋势方向判断准确率约 92%作为参照传统技术指标的方法通常落在 60%–70% 区间Kronos 的精度优势在多票叠加后会放大为收益差异。上图为深科技000021的多维度预测案例除价格走势与量能外还输出了价格变化率分析并给出整合大盘趋势、板块共振等因素的市场评分可以看出它不止输出价格序列还能附带辅助判断。五分钟跑通第一次 K 线预测环境要求 Python 3.10四步完成git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt数据准备按标准化格式CSV、JSON 均可组织历史 K 线需包含open/high/low/close列volume、amount可选可参考 数据目录 中的格式样例。然后直接运行官方示例完成加载、预测与绘图全流程python examples/prediction_example.py脚本会生成预测值与真实值的对比图。核心接口是KronosPredictor封装了归一化、预测与反归一化几行代码即可从原始 DataFrame 拿到预测结果入口在 模型核心代码。显存有限时把批大小调小即可单票分析通常 5 分钟内可完成。能力边界与适用场景时间粒度。支持 5 分钟、15 分钟、30 分钟等多粒度 K 线也覆盖日线级别。注意 Kronos-small / base 的上下文长度上限为 512超长输入会被自动截断构造回看窗口时以 512 为界即可。市场覆盖。预训练数据来自 45 个全球交易所A 股、港股、美股、加密等市场均可直接推理。批量能力。predict_batch接口基于 GPU 并行可同时预测千只股票适合全市场扫描这类任务参见 批量预测示例。微调。如果目标标的或市场分布与预训练差异较大可以做针对性微调微调脚本 提供基于 Qlib 的 A 股完整管线数据准备、Tokenizer 与预测器微调、回测CSV 微调管线 则更轻量直接用 CSV 数据顺序训练 Tokenizer 和预测器适合 5 分钟级别的高频场景图中即港股阿里巴巴09988在 5 分钟 K 线上的预测效果展示了日内高频粒度的可用性。落地建议与后续方向几条务实的使用建议先复现再改造从 单股预测示例 和 回测脚本 开始确认数据格式与口径正确后再接入自己的流程。当作研究信号而非交易指令预测是概率性输出回测中也要计入交易成本官方微调管线同样定位为演示用途生产策略还需组合优化与风险控制。按需微调跨市场、跨粒度迁移效果不理想时优先考虑用目标数据微调而不是继续调采样参数。后续规划上项目计划扩展更多市场数据支持、优化训练效率、改进交互界面并集成策略模板。作为完全开源的项目你可以直接读改 核心模型代码把 Kronos 当成预测底座嵌入自己的量化系统。对刚接触 AI 股票预测的人来说从 85% 准确率这个数字出发顺着本文的路径走一遍一两个小时就能建立起对它的真实判断。【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 开源 AI 股票预测系统指南85% K线预测准确率从原理到实践一次讲清【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 是首个专门面向金融市场 K 线序列的开源基础模型能把 OHLCV 数据转成模型可理解的离散 Token再自回归地预测出未来的价格与成交量序列。它在 45 个全球交易所的数据上完成预训练价格预测准确率约 85%适合量化研究者、技术分析用户以及希望搭建自己的预测管线的开发者。一个只认 K 线的开源基础模型大语言模型让机器学会了读文本时间序列模型也能处理通用信号但金融 K 线是个特殊物种五维数据、高噪音、受情绪与突发事件驱动直接套用通用模型效果有限。Kronos 的定位就是把这个特殊物种单独拿出来建模。它由两部分组成一个专门的 Tokenizer负责把连续的 K 线数据量化成分层离散 Token一个 decoder-only 的自回归 Transformer负责在这些 Token 上完成序列预测。两者配合让同一个模型可以服务于多种量化任务。整体流程见下图原理拆解把行情图压成文本再逐帧续写可以把 Kronos 理解成一条行情图的视频编码 逐帧续写流水线先把连续画面切成离散编码压缩后交给模型让它按帧预测下一个画面。具体分四步第一步双粒度切分。Tokenizer 先做粗粒度编码把连续的多维 K 线数据离散化成一个一个语义单元再在每个粗粒度单元内部保留细粒度的子 Token承载更精细的价格与成交量信息。宏观轮廓和微观抖动因此都能进入模型视野。第二步BSQ 量化压缩。通过 BSQ 量化技术大幅降低数据维度得到紧凑的表示。压缩后的 Token 序列才是 Transformer 真正读的文本规模可控、训练稳定。第三步自回归续写。预测器由因果 Transformer 块堆叠而成预测下一时刻时只能使用此前的历史信息看不到未来——这与真实交易中的信息结构一致避免开卷考试式的虚高表现。第四步交叉注意力交互。模型内部通过交叉注意力机制让价格、成交量、时间戳等多路信息相互对齐加快收敛也让预测同时考虑多个维度而非单一价格线。效果验证回测收益与个股精度先看批量回测。对比带成本与无成本两种口径Kronos 的累积收益显著跑赢基准 CSI300超额收益呈持续上升趋势波动市中也能保持为正最大回撤控制在可接受区间再看单票精度。官方示例中价格与成交量的预测曲线与真实走势贴合度较高三个关键指标指标数值价格预测准确率约 85%成交量峰值预测精度90% 以上趋势方向判断准确率约 92%作为参照传统技术指标的方法通常落在 60%–70% 区间Kronos 的精度优势在多票叠加后会放大为收益差异。上图为深科技000021的多维度预测案例除价格走势与量能外还输出了价格变化率分析并给出整合大盘趋势、板块共振等因素的市场评分可以看出它不止输出价格序列还能附带辅助判断。五分钟跑通第一次 K 线预测环境要求 Python 3.10四步完成git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt数据准备按标准化格式CSV、JSON 均可组织历史 K 线需包含open/high/low/close列volume、amount可选可参考 数据目录 中的格式样例。然后直接运行官方示例完成加载、预测与绘图全流程python examples/prediction_example.py脚本会生成预测值与真实值的对比图。核心接口是KronosPredictor封装了归一化、预测与反归一化几行代码即可从原始 DataFrame 拿到预测结果入口在 模型核心代码。显存有限时把批大小调小即可单票分析通常 5 分钟内可完成。能力边界与适用场景时间粒度。支持 5 分钟、15 分钟、30 分钟等多粒度 K 线也覆盖日线级别。注意 Kronos-small / base 的上下文长度上限为 512超长输入会被自动截断构造回看窗口时以 512 为界即可。市场覆盖。预训练数据来自 45 个全球交易所A 股、港股、美股、加密等市场均可直接推理。批量能力。predict_batch接口基于 GPU 并行可同时预测千只股票适合全市场扫描这类任务参见 批量预测示例。微调。如果目标标的或市场分布与预训练差异较大可以做针对性微调微调脚本 提供基于 Qlib 的 A 股完整管线数据准备、Tokenizer 与预测器微调、回测CSV 微调管线 则更轻量直接用 CSV 数据顺序训练 Tokenizer 和预测器适合 5 分钟级别的高频场景图中即港股阿里巴巴09988在 5 分钟 K 线上的预测效果展示了日内高频粒度的可用性。落地建议与后续方向几条务实的使用建议先复现再改造从 单股预测示例 和 回测脚本 开始确认数据格式与口径正确后再接入自己的流程。当作研究信号而非交易指令预测是概率性输出回测中也要计入交易成本官方微调管线同样定位为演示用途生产策略还需组合优化与风险控制。按需微调跨市场、跨粒度迁移效果不理想时优先考虑用目标数据微调而不是继续调采样参数。后续规划上项目计划扩展更多市场数据支持、优化训练效率、改进交互界面并集成策略模板。作为完全开源的项目你可以直接读改 核心模型代码把 Kronos 当成预测底座嵌入自己的量化系统。对刚接触 AI 股票预测的人来说从 85% 准确率这个数字出发顺着本文的路径走一遍一两个小时就能建立起对它的真实判断。【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
)
)
