TDengine 集成 collectd：通过 taosAdapter 接入系统监控数据的完整指南
2026/9/13 18:35:30
Kronos 开源K线预测大模型：3 步在本地跑通股票预测，规格怎么选一次讲清
【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/Kronos
Kronos 是少见的开源 K 线预测基础模型，用 45 家以上全球交易所的行情数据预训练，把 K 线序列量化成符号后自回归地预测未来走势。适合只想看效果的个人投资者、有自有 CSV 数据的开发者，以及要做批量回测的量化研究者。
⚡ 零代码到命令行：3 步完成第一次 K 线预测
第一步：装好环境
先确认本机是 Python 3.10+，然后克隆仓库并安装依赖：
git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt依赖清单很短，核心就是 numpy、pandas、torch、matplotlib 几个包，装完即可用。
第二步：网页界面出第一张预测图
不想写代码就直接起 webui/：
cd webui python run.py然后浏览器打开http://localhost:7070，按"选 CSV 文件 → 选模型和计算设备（CPU / CUDA / MPS）→ 拖时间窗口 → 点预测"四步操作。窗口固定为 400 个历史点加 120 个预测点；首次加载会去 Hugging Face Hub 下载模型权重，耐心等一会。
数据只认列名，最低要求如下：
| 列名 | 是否必填 | 说明 |
|---|---|---|
| open、high、low、close | 必填 | 四价，缺一不可 |
| volume、amount | 可选 | 没有就留空，批量预测时按 0 处理 |
| timestamps / timestamp / date | 必填 | 历史与未来两段数据各自的时间戳 |
第三步：用 KronosPredictor 接管批量预测
要进自己的代码，核心入口是 model/ 里的KronosPredictor：先从模型库加载 tokenizer 和模型，把它们和 max_context 交给预测器实例，再调用predict，传入历史 K 线 DataFrame、历史时间戳、未来时间戳、预测点数四样东西。归一化和反归一化它都替你处理了。
采样参数控制随机性，常用取值如下：
| 参数 | 控制什么 | 取值参考 |
|---|---|---|
| T（温度） | 采样随机性 | 0.1–2.0，网页界面建议 1.2–1.5 |
| top_p | 核采样截断 | 0.1–1.0，示例脚本常用 0.9 |
| sample_count | 采样条数，多条取平均 | 1–5，2–3 条更稳 |
| lookback | 历史窗口长度 | small/base 建议不超过 512 |
| pred_len | 预测点数 | 如 120，需与未来时间戳对齐 |
一次要跑多只标的就用predict_batch，要求各序列的历史长度和预测长度一致。想要端到端脚本，直接看 examples/prediction_example.py；数据里没有成交量，也有对应版本 examples/prediction_wo_vol_example.py。
📐 mini / small / base 怎么按显卡选
四个规格对照
| 模型 | 参数量 | 上下文长度 | 配套分词器 | 开源状态 |
|---|---|---|---|---|
| Kronos-mini | 4.1M | 2048 | Kronos-Tokenizer-2k | 已开源 |
| Kronos-small | 24.7M | 512 | Kronos-Tokenizer-base | 已开源 |
| Kronos-base | 102.3M | 512 | Kronos-Tokenizer-base | 已开源 |
| Kronos-large | 499.2M | 512 | Kronos-Tokenizer-base | 未开源 |
三条选型经验
- mini 只有 4.1M 参数，上下文却给到 2048，适合先拿长历史数据把流程跑通
- small 是 README 示例的默认选择，速度和精度均衡，适合大多数入门场景
- base 是开源系列里最大的，精度定位最高，显存和算力要求也水涨船高；large 目前没有放出权重，不用花时间找
一个容易忽略的点：small 和 base 的上下文上限是 512，你喂的 lookback 最好别超这个数，超了KronosPredictor会自动截断，等于白喂数据。稳妥做法是先拿 mini 验证数据格式和流程，再换大模型，少绕弯路。
🎼 为什么读得懂 K 线："记谱 + 续写"的两段式原理
K 线同时带着开高低收和成交量五个维度，还混着大量噪声，传统时序模型很难一次消化。Kronos 的解法是两段式：先"记谱"，再"续写"，底层是 decoder-only 的 Transformer 家族。
分词器：给连续 K 线"记谱"
一段连续录音没法直接印成书，但乐谱可以——符号化的东西才能被印刷、传递、学习。Kronos 的分词器干的就是这件事：把 OHLCV 连续数据量化成分层离散符号，粗的一层记大轮廓，细的一层补进细节，两层叠起来信息不丢。
自回归：听前半段，续后半段
记好谱之后，模型在符号序列上做自回归预训练。类比一位乐手：听完整部曲目前半段，他能预判后半段的旋律走向，而且同类作品听得越多，判断越准。Kronos 在 45 家以上交易所的符号序列上预训练过，所以它不是只学过单一市场的"偏科生"，而是见过多种市场"方言"的通用底模。论文已被 AAAI 2026 接收，核心实现就在 model/ 目录。
📈 效果怎么验证：预测图、回测曲线与个股示例
单标的预测对比图
跑通 examples/prediction_example.py 后会得到历史走势与预测叠加的对比图，预测贴合度一眼可查：
回测曲线：策略对基准
用 finetune/ 的 Qlib 流水线在 A 股日线数据上微调后，脚本会生成 top-K 策略相对基准的累计收益曲线：
沪深个股的真实输出
examples/yuce/ 里放着平安银行 000021 等四只 A 股的预测图，每张图都配了 JSON 分析报告，可以逐条核对模型对单只股票的输出细节：
🧪 进阶路线：按角色分流，以及离实盘还差什么
三条路线按角色选
| 你的情况 | 推荐路线 | 入口 |
|---|---|---|
| 只想看效果，不写代码 | 网页界面 | webui/ |
| 有自己的 CSV 行情 | CSV 微调 | finetune_csv/，内置阿里港股 09988 五分钟线示例，改一份 yaml 就能训练 |
| 要自建量化策略 | Qlib 流水线 | finetune/，数据处理→分词器/预测器两阶段微调→回测 |
微调命令速查
| 环节 | 命令 |
|---|---|
| A 股路线依赖 | pip install pyqlib，并按 Qlib 官方文档备齐日线数据 |
| 数据预处理 | python finetune/qlib_data_preprocess.py |
| 微调分词器（多卡） | torchrun --standalone --nproc_per_node=卡数 finetune/train_tokenizer.py |
| 微调预测器（多卡） | torchrun --standalone --nproc_per_node=卡数 finetune/train_predictor.py |
| 回测评估 | python finetune/qlib_test.py --device cuda:0 |
| CSV 路线全流程 | python train_sequential.py --config configs/config_ali09988_candle-5min.yaml（在 finetune_csv/ 目录下执行） |
A 股路线的路径和超参集中在 finetune/config.py，跑任何脚本之前先改它。
回测演示 ≠ 实盘系统
这条必须说在前面：官方明确标注，回测流水线只是演示，不是生产级交易系统。模型吐出来的是原始预测信号，离实盘还差一整套工程——组合优化、风险因子中性化（市场 beta、风格因子）、交易成本与滑点建模；top-K 策略本身也只是最简单的起点。把前面那张回测曲线当成收益承诺，是踩坑的第一步。
从一张 CSV 到可复现的预测曲线，Kronos 把读 K 线拆成了开源可查的每一步——剩下的是你的数据和判断。
【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