news 2026/9/2 10:01:14

Kronos 金融K线基础模型：从 400 根历史 K 线预测未来 120 步价格

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
Kronos 金融K线基础模型：从 400 根历史 K 线预测未来 120 步价格

Kronos 金融K线基础模型：从 400 根历史 K 线预测未来 120 步价格

【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

做量化研究时，一个反复出现的麻烦是：每换一个标的、换一个时间周期，特征工程、训练、评估就得重来一遍。而 K 线数据噪声大、维度多（开盘、最高、最低、收盘、成交量），通用时序模型很难抓住其中的结构。Kronos 是一个开源的金融 K 线基础模型，它在 45 个以上全球交易所的 K 线数据上预训练，你只需给它一段 K 线 DataFrame，它就能自回归地预测未来 N 根 K 线的 OHLCV 走势。

定位：专为 K 线设计的 decoder-only 基础模型

Kronos 是一族面向金融市场"语言"——K 线序列的 decoder-only 基础模型，核心设计是两阶段：tokenizer 先把连续的 OHLCV 量化成分层离散 token，再由自回归 Transformer 在这些 token 上预训练。它带来的实际效果：

  • 层级化离散 tokenization：把连续价格序列变成结构化 token，模型对高噪声金融数据的容忍度更高，这是它区别于通用时序模型的关键
  • 预测开箱即用：model/kronos.py 里的KronosPredictor内部完成归一化、上下文截断、推理、反归一化，从原始 DataFrame 到预测曲线只需要约 10 行代码
  • 模型分级可选：开源权重从 4.1M（mini）到 102.3M（base）三档，配合两套完整微调流程（Qlib 数据管线和 CSV 数据管线），可以按显存和数据形态自选

最小可运行示例：从安装到第一条预测曲线

先克隆仓库并安装依赖（需要 Python 3.10+，依赖只有 numpy、pandas、torch>=2.0 等几个包）：

git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt

第二步，加载预训练 tokenizer 和模型，并构建预测器：

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_context=512)

第三步，准备历史 K 线数据并发起预测（代码取自 examples/prediction_example.py）：

df = pd.read_csv("./data/XSHG_5min_600977.csv") df['timestamps'] = pd.to_datetime(df['timestamps']) lookback, pred_len = 400, 120 x_df = df.loc[:lookback-1, ['open','high','low','close','volume','amount']] pred_df = predictor.predict( df=x_df, x_timestamp=df.loc[:lookback-1, 'timestamps'], y_timestamp=df.loc[lookback:lookback+pred_len-1, 'timestamps'], pred_len=pred_len, T=1.0, top_p=0.9, sample_count=1)

返回的pred_df是一个 DataFrame，列为open/high/low/close/volume/amount，索引是你提供的未来时间戳，print(pred_df.head())即可在终端看到前 5 根预测 K 线。注意./data/XSHG_5min_600977.csv不在仓库里，你需要自备一份同格式的 K 线 CSV（必须有timestamps和 OHLC 四列）。直接运行示例脚本则会画出收盘价与成交量的"实际 vs 预测"双面板图：

核心功能速览

批量预测多个标的：predict_batch 用法

场景：你想对几十只股票统一跑未来 N 根的预测做初筛，而不是逐个循环。用法：调用predict_batch，传入df_list、x_timestamp_list、y_timestamp_list三个列表，要求所有序列的历史长度（lookback）和预测长度（pred_len）一致。examples/prediction_batch_example.py 展示了同一份数据切出 5 个窗口一次性跑完的完整写法。结果：按输入顺序返回一个 DataFrame 列表，每条序列独立做归一化/反归一化，GPU 上并行处理。

用自己的 CSV 微调：finetune_csv 流程

场景：预训练权重对某个特定标的或周期（比如 5 分钟 K 线）拟合不够好。用法：CSV 需包含timestamps/open/high/low/close/volume/amount（没有量价数据时 volume 和 amount 可全填 0），在 yaml 里配置data_path、lookback_window、predict_window后一条命令顺序训练 tokenizer 和 predictor：

cd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml

结果：checkpoint 分别保存到{exp_name}/tokenizer/best_model/和{exp_name}/basemodel/best_model/。仓库自带港股阿里巴巴（09988）5 分钟 K 线的微调配置和预测图，可参考 finetune_csv/README_CN.md。多卡时可加torchrun --standalone --nproc_per_node=N启用 DDP。

A 股 Qlib 微调与回测闭环

场景：你希望用 Qlib 体系的 A 股日线数据完成"数据准备 → 微调 → 回测"的完整闭环。用法：先pip install pyqlib并按 Qlib 官方指南备好数据，改好 finetune/config.py 里的路径后依次执行：

python finetune/qlib_data_preprocess.py torchrun --standalone --nproc_per_node=2 finetune/train_tokenizer.py torchrun --standalone --nproc_per_node=2 finetune/train_predictor.py python finetune/qlib_test.py --device cuda:0

结果：qlib_test.py在测试集上做推理，生成预测信号并跑一个简单的 top-K 策略回测，控制台输出性能分析，同时画出策略相对基准的累积收益曲线：

踩坑指南：常见报错解决

运行示例提示找不到 examples/data/XSHG_5min_600977.csv

原因：示例脚本按相对路径读取./data/XSHG_5min_600977.csv，但这个 CSV 并未随仓库发布。解决：自己导出一份格式一致的 K 线 CSV（timestamps/open/high/low/close必填，volume/amount可选）放到该位置，或修改脚本里的读取路径。

为什么输入了 1000 根 K 线，模型却只用到最后 512 根

Kronos-small 和 Kronos-base 的上下文固定为 512，KronosPredictor对超过max_context的历史会自动截断，建议lookback不超过 512。如果确实需要更长上下文，可换 Kronos-mini（上下文 2048，仅 4.1M 参数）。

数据里没有成交量和成交额列怎么办

predict在缺少volume或amount列时会自动补 0，价格四列仍可正常预测；完全不依赖量价数据时，可以直接运行 examples/prediction_wo_vol_example.py。另外价格列含 NaN 会直接抛ValueError，跑之前先做缺失值检查。

GPU 显存不够 / 想在 CPU 上跑

按参数量选模型：mini 4.1M、small 24.7M、base 102.3M。KronosPredictor不传device时会自动选择 cuda → mps → cpu 中最先可用的设备，所以 CPU 推理可行，但自回归是逐 K 线生成的，pred_len较大时速度会明显变慢。

边界与成本：能做什么、不能做什么

  • 能做的：预测未来pred_len根 K 线的 OHLCV，单序列或批量；微调适配特定标的/周期。
  • 不能做的：预测曲线不等于可交易信号。仓库自带的回测是简化 top-K 策略，不含交易成本、滑点和风险因子中性化，README 也明确该管线是演示而非生产系统。
  • 资源成本：Python 3.10+、torch≥2.0；推理建议 8GB 以上显存（small 档），CPU 可跑但慢；CSV 微调单卡即可，finetune/管线默认多卡torchrun。
  • 适合：快速搭建 K 线预测基线、在自有标的/周期上微调验证想法的人；不适合：期望拿预测曲线直接下单、或需要毫秒级实时推理的高频场景。

Kronos 把"原始数据 → token → 预测曲线"做成了可直接复用的管线，从 examples/prediction_example.py 和 finetune_csv/README_CN.md 两个入口就能开始上手。

【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

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/9/2 10:00:07

UDS 0x3E服务用例设计与testbuddy自动化测试落地

网络诊断 0x3E 服务用例设计：从需求拆解到 testbuddy 自动化落地做网络诊断和 UDS 测试的同学，对 0x3E 服务应该都不陌生。这个服务负责会话切换，是整个诊断流程里被调用次数最多的服务之一。很多刚入门的测试工程师会问：0x3E 服务…

作者头像 李华
网站建设 2026/9/2 10:00:05

PDF转图片技术全解析：主流依赖库选型与Java实战指南

简介：本资源是面向开发者与PDF处理需求者的Poppler-0.68.0_x86依赖库完整包，专为在Windows平台实现PDF转图片（如PNG、JPEG）提供底层支持，适用于网页嵌入、文档预览、批量截图等实际场景。压缩包共58个文件，…

作者头像 李华
网站建设 2026/9/2 10:00:02

MATLAB实现CNN多输入回归预测：从数据预处理到模型部署全流程详解

简介：本资源是一套面向深度学习初学者与MATLAB工程实践者的CNN多输入回归预测完整实现方案，聚焦于利用卷积神经网络处理7维特征输入以预测连续型目标值，适用于时间序列建模、传感器融合分析、工业参数预测等实际回归场景。压缩包共7个文件&am…

作者头像 李华
网站建设 2026/9/2 9:58:19

STC8H1K28驱动三相无刷电机：低成本方波驱动方案详解

简介：本资源是基于STC8H1K28单片机实现三相无刷直流电机（BLDC）驱动的完整嵌入式开发工程，面向嵌入式初学者、电机控制爱好者及自动化方向工程师，解决无感与霍尔传感两类典型换相控制方案的落地实践问题。压缩包共18个文…

作者头像 李华
网站建设 2026/9/2 9:56:05

GC9A01圆形屏MicroPython驱动：从SPI接口到帧缓冲优化全解析

简介：本资源是一套经实测验证的MicroPython GC9A01 TFT显示屏驱动方案，专为ESP32平台开发者设计，面向物联网原型开发、嵌入式UI快速验证及教育实践等场景，有效解决SPI屏初始化复杂、时序难调、图形接口缺失等常见痛点。压缩包共25…

作者头像 李华
网站建设 2026/9/2 9:55:33

SolarAngle_V5.2实操：太阳方位角计算原理与光伏应用常见问题排查

简介：作为一款轻量级太阳方位角计算工具，SolarAngle V5.2面向测绘地理信息、建筑日照分析、光伏系统设计及农业气象等领域的从业者与学习者。程序利用地面点经纬度和时间参数，计算太阳天顶角与太阳方位角，并可通过天顶角间接获得太…

作者头像 李华