Kronos 使用指南：3 步跑通开源金融 K 线基础模型

Kronos 使用指南：3 步跑通开源金融 K 线基础模型

【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

Kronos 是首个面向金融 K 线（K-line）的开源基础模型，在 45 家以上全球交易所数据上预训练。它戳中的痛点是：通用时间序列模型难吃透高噪声的 OHLCV 数据，Kronos 用"先 token 化、再自回归"的两阶段路线绕开了这个问题。

🧩 它到底怎么工作：先 tokenize，再自回归

• 两级 token 化：KronosTokenizer把连续的 OHLCV K 线压成分层离散 token，encoder 出向量后由 BSQuantizer 量化成 pre/post 两段。为什么这么做——离散 token 让 K 线能直接套用 NLP 那套自回归训练范式。实现见 model/kronos.py。
• 因果 Transformer 预训练：decoder-only 结构在 token 序列上做 next-token 预测，学会 K 线"语言"。开源三档：mini 4.1M（上下文 2048）、small 24.7M、base 102.3M。
• 推理端封装：KronosPredictor包掉归一化、截断、反归一化，你只需要传一个 DataFrame。

Kronos 完整架构：K 线 Token 化流程 + 自回归预训练框架

🚀 最短路径跑起来：3 步出第一条预测

1. 装依赖：Python 3.10+，执行pip install -r requirements.txt（torch、pandas、huggingface_hub 等）。
2. 加载模型：tokenizer 用NeoQuasar/Kronos-Tokenizer-base，模型用NeoQuasar/Kronos-small，再建KronosPredictor(model, tokenizer, max_context=512)。
3. 跑示例：执行 examples/prediction_example.py，读入 5 分钟 K 线 CSV，lookback=400根 K 线做输入，预测未来pred_len=120根，采样参数T=1.0, top_p=0.9, sample_count=1。

示例脚本产出：收盘价、成交量两条曲线的 Ground Truth 与 Prediction 对比

📊 这几个数字怎么看

• 效果：预测线能跟上真实收盘的趋势方向，成交量峰值位置大体对齐。说明模型学到的是走势形态，不是精确点位，别拿它当点值回归。
• 稳健性：T、top_p、sample_count控制采样，多路径取均值能压方差；多次采样曲线若分歧大，说明该窗口不确定性高。
• 适用边界：small/base 上下文只有 512 根 K 线，lookback 别超 512（5 分钟频率约 1.7 个交易日）；需要长上下文就换 2048 上下文的 mini。

finetune 流水线回测产出：top-K 策略累积收益 vs 基准（A 股日线示例）

⚖️ 适合谁用，边界在哪

• 适合：想快速验证 K 线预测/信号研究的原型项目；不想从零搭 token 化管线、只想调参跑对比的小团队；已有 finetune/ 目录的 Qlib 微调 + 回测全流程，A 股日线可直接复现。
• 不适合：把输出直接接实盘——官方 README 明确示例管线非生产就绪，缺风险中性化、成本与滑点建模；缺成交量数据的场景可用 examples/prediction_wo_vol_example.py 验证后再决定。
• 选型关键：先看上下文（512 vs 2048）再看参数量（4.1M～102.3M），mini 适合长窗口低算力，base 适合短窗口高精度。

一句话收束：把它当作可复现的 K 线预测基线和微调起点来用，离实盘策略还差组合优化和风险管理这一层。

【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