Kronos金融K线预测完整指南：10分钟跑通第一条未来K线

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/KronosKronos 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。自回归 TransformerKronos 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 未开源模型参数量上下文长度配套分词器开源Kronos-mini4.1M2048Kronos-Tokenizer-2k是Kronos-small24.7M512Kronos-Tokenizer-base是Kronos-base102.3M512Kronos-Tokenizer-base是Kronos-large499.2M512Kronos-Tokenizer-base否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_context512) pred_df predictor.predict(dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120)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 400120 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 tokenizertrain_tokenizer.py和 predictortrain_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 arXiv2025 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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考