Kronos免费AI股票预测教程：五步跑通开源K线基础模型-平芜编程栈

Kronos免费AI股票预测教程：五步跑通开源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

从一个CSV到未来的K线曲线

假设你想做一次AI股票预测：手上有某只股票的历史K线，存成了一份CSV，你想看到未来若干期的开盘、最高、最低、收盘数值。Kronos就是为这件事准备的——第一个面向金融K线的开源基础模型，训练数据来自全球45家以上交易所。它的论文已被AAAI 2026接收，代码以MIT协议完全开源，下载后能在自己的机器上直接运行，不依赖闭源API。

它的输出是一张数据表而不是一张图：未来每个时间点的 open、high、low、close、volume、amount 预测值都会以DataFrame形式返回，索引是你给定的时间戳。下图是官方给出的单只股票预测对比，历史数据与模型预测放在一起：

Kronos安装教程：十分钟跑通第一次预测

官方要求Python 3.10以上，克隆仓库并安装依赖只需三条命令：

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

然后准备三份数据：历史K线的DataFrame（必须含 open、high、low、close 四列，volume 和 amount 可选）、与历史数据对应的时间序列 x_timestamp，以及你希望预测的若干未来时间点 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_context=512) pred_df = predictor.predict(df=x_df, x_timestamp=x_ts, y_timestamp=y_ts)

KronosPredictor 会自动完成预处理、归一化、预测和反归一化，不需要你手动缩放数据。注意 Kronos-small 和 Kronos-base 的上下文长度是512，输入超长会自动截断；predict 还可以传 T（温度）、top_p（核采样）、sample_count（生成多条预测路径后取平均）来控制随机性。完整可运行的脚本见 examples/prediction_example.py。

它如何"读懂"K线：两级分词加自回归生成

Kronos把K线当成一种"语言"来处理，分两步走。第一步是专门的分词器：它把连续的、多维的OHLCV数据量化成粗细两级的离散令牌，好比把一篇外文先翻译成一套字符编码，整体轮廓和局部笔触都保留下来。第二步是一个decoder-only的自回归Transformer，工作方式与语言模型根据上文补全下一个词类似，只是这里补全的是"下一根K线"。模型内部的Transformer块同时用自注意力和跨注意力，并共享参数，让信息在不同时间尺度之间传递。

官方发布了多个尺寸：Kronos-mini 约410万参数、上下文长度2048；Kronos-small 约2470万参数；Kronos-base 约1.02亿参数；最大的 Kronos-large（约4.99亿参数）暂未开源。入门试水用mini即可，追求质量可以选base。

效果证据：单股对比、回测曲线与批量效率 📈

单股预测方面，仓库 examples/yuce/ 目录放了多个真实案例。以深科技（000021）为例，除了价格走势，还给出成交量变化、价格波动率和市场因素的综合评分分析：

更有说服力的检验方式是回测。官方在 finetune/ 目录提供了基于Qlib的A股完整流程：配置参数、数据预处理、分别微调分词器和预测器，最后运行 top-K 策略回测，并与沪深300基准对比：

从图中可以看到，策略曲线（彩色线）相对基准的超额收益大部分时间为正，最高接近0.15。官方还给出价格预测准确率89.2%、趋势判断准确率94.5%的测试结果。效率上，批量接口 predict_batch 支持GPU并行处理，官方测试中对沪深300成分股做批量预测约8分钟完成。

适合谁用：从网页界面到微调自己的数据 💡

如果不写代码，最顺的路径是Web界面：进入 webui 目录执行 python run.py，浏览器打开 http://localhost:7070 即可。界面上可以选择 mini/small/base 三档模型，选择 CPU、CUDA 或 MPS 计算设备，用滑块选择时间窗口，预测完成后图表里直接对比预测值与实际值，参数说明见 webui/README.md。

对个人投资者，常见用法是基于预测筛选有上涨空间的个股、辅助判断买卖时点。量化团队可以走得更远：

A股数据微调：finetune/ 里是四步完整管线，官方强调这属于演示性质，不是生产级交易系统；
自定义CSV微调：finetune_csv/ 支持"先训分词器、再训预测器"的顺序训练，也可用 torchrun 做多卡分布式训练，并提供训练结果的可视化示例；
回测脚本会输出预测信号（如预测涨跌幅）并执行简单的 top-K 回测，方便你评估微调后的效果。