企业官网建设流程全解析

Kronos 金融 K 线预测：从 clone 到 120 根未来 K 线的 5 步实操手册

【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 是一个专为金融 K 线（K-line）数据设计的开源基础模型：输入一段历史 OHLCV 序列，输出未来多个时间点的开高低收与成交量预测，而不是单点"涨/跌"判断。与通用时间序列模型不同，它先做金融数据专属的 tokenizer 离散化，再让自回归 Transformer 学习"续写 K 线"，预训练数据覆盖全球 45 个以上交易所。

模型档位与能力矩阵

Kronos 以from_pretrained方式从 Hugging Face Hub 加载，模型家族按参数量分三档开源。各档差异只影响速度和上下文长度，不影响输入输出接口。

硬件边界：mini 和 small 在普通 CPU 上也能完成单次预测，base 以及批量推理、微调训练建议直接上 GPU。

最小可运行闭环：从 clone 到第一张预测图

环境要求：Python 3.10+，核心依赖为 torch、pandas、huggingface_hub（完整清单见 requirements.txt）。

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

仓库自带一份 9.3 万行的 5 分钟 K 线样例（阿里巴巴港股 09988），不用自己准备数据，以下脚本可直接跑出预测图：

import pandas as pd 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) df = pd.read_csv("./finetune_csv/data/HK_ali_09988_kline_5min_all.csv") df['timestamps'] = pd.to_datetime(df['timestamps'], format='%Y/%m/%d %H:%M') x_df = df.loc[:399, ['open', 'high', 'low', 'close', 'volume', 'amount']] x_ts = df.loc[:399, 'timestamps'] y_ts = df.loc[400:519, 'timestamps'] pred_df = predictor.predict(df=x_df, x_timestamp=x_ts, y_timestamp=y_ts, pred_len=120, T=1.0, top_p=0.9, sample_count=1) print(pred_df.head())

输入约定：

• df必须含open/high/low/close四列，缺volume时自动补 0，缺amount时用volume × 均价估算
• x_timestamp为历史段时序，y_timestamp为待预测时段的时序，返回的pred_df按y_timestamp对齐
• max_context=512：small/base 的最大上下文，输入更长会被自动截断
• T（温度）、top_p（核采样）、sample_count（多条采样路径取平均）控制预测随机性，官方建议 T 取 1.2~1.5、top_p 取 0.95~1.0、样本 2~3 条

机制拆解：K 线是怎么被"续写"的

跑通之后再回头看原理，整个系统是两阶段流水线：先把 K 线翻译成离散 token，再让 Transformer 按语言模型方式预测下一个 token。

阶段一 Tokenizer：OHLCV 序列是连续、高噪声的，直接喂给 Transformer 很难学。Tokenizer 先用编码器压缩表示，再通过二值球面量化（BSQ）把每个时间点量化成"粗粒度 + 细粒度"两级子 token，解码器再重建出 K 线，量化保证了对原始数据的逼近，重建能力说明 token 确实保留了价格与成交量的关键信息。

阶段二 自回归 Transformer：拿到 token 序列后，因果 Transformer 按"给定历史、预测下一个 token"的方式预训练。每个 Transformer 块内部由多个 Intra-Block 组成，块之间通过共享参数和交叉注意力传递跨时间尺度信息；预测时按时间步逐点采样生成，解码回价格空间即完成"续写 K 线"。

核心实现分别在 model/module.py（BSQuantizer、Transformer 块）与 model/kronos.py（KronosTokenizer、Kronos、KronosPredictor三个可独立 import 的类）。

输出验证：预测与回测长什么样

第一张图是单资产预测样例：取 400 根 5 分钟 K 线为上下文，预测后续 120 根，蓝色为真实值、红色为模型预测，上方收盘价、下方成交量。

收盘价预测贴合了震荡后上行的趋势形态，成交量预测整体偏保守，捕捉了部分放量区间。需要说明：预测图展示的是短窗口的形态拟合，长周期点位的绝对准确度不能只看单张图下结论。

第二张图是官方 A 股 top-K 策略回测：上方为扣费后累计收益、下方为相对 CSI300 基准的累计超额收益，last/mean/max/min 对应不同采样路径，2024 年 10 月后策略曲线整体位于基准之上。

官方明确标注这条流水线是简化演示（top-K 选券 + 简单回测），并非生产级量化系统，真实使用还需叠加组合优化、风险因子中性化和交易成本建模。

扩展路径：批量推理、微调与模块复用

批量推理与 Web 界面

多资产场景用predict_batch：传入等长的 DataFrame 列表即可 GPU 并行推理，各序列独立归一化/反归一化，要求所有序列历史长度与pred_len一致。零代码体验则走内置 Web 界面（Flask + Plotly）：cd webui && python run.py启动后访问http://localhost:7070，操作路径为：选择数据文件 → 选模型与设备（CPU/CUDA/MPS）→ 滑块拖动 400+120 数据点窗口 → 调 T/top_p/样本数 → 点击预测，结果页给出 K 线图、价差统计和误差分析。

微调

自带 CSV 微调管线，面向任意含timestamps/open/high/low/close/volume/amount列的 K 线数据：改一份 YAML 配置后一条命令顺序训练 tokenizer 和 predictor，多卡可加 torchrun 开 DDP。

python finetune_csv/train_sequential.py --config finetune_csv/configs/config_ali09988_candle-5min.yaml # 顺序训练 tokenizer + predictor python finetune_csv/train_sequential.py --config ...yaml --skip-tokenizer # 只训练 predictor python finetune_csv/train_sequential.py --config ...yaml --skip-existing # 跳过已存在检查点

A 股场景另有 Qlib 管线（数据切分 → 微调 Tokenizer → 微调 Predictor → 回测），流程见 finetune/ 目录，微调后的 09988 预测效果如下图：

模块复用做二次开发

三个核心类都是标准 PyTorch 模块，支持from_pretrained加载任意档位权重：KronosTokenizer可单独接入你自己的 K 线预处理，Kronos可直接替换进自研 pipeline，KronosPredictor封装了归一化/采样/反归一化，只想换推理后端时保留它即可。权重换档只需改from_pretrained的模型名，其余代码不动。

决策参考：你的场景走哪条路

选完路径后先用 1 只资产跑通端到端，再横向扩展到批量与微调，避免一上来就调训练超参。

边界与下一步

• 做完首次predict调用 → 检查输出pred_df的 index 是否与y_timestamp对齐 → 若对不齐则检查时间戳是否连续、时区是否一致
• 做完单点预测对比 → 检查收盘价趋势方向是否被捕捉 → 若偏差大则把sample_count提到 2~3、T 提到 1.2~1.5 再对比
• 做完批量推理 → 检查各资产预测量级是否合理 → 若个别序列异常，优先核对该序列自身的缺失值与归一化窗口
• 做完微调 → 用 finetune/qlib_test.py 或 webui 跑回测评估 → 若超额收益不稳定，回到配置检查训练/验证集切分比例

模型输出为统计意义上的预测信号，不构成投资建议；真实使用前请用自己的数据做充分回测验证。

【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