尧图网站建设 
KronosK线预测基础模型从装好依赖到跑通回测的最短路径【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/KronosKronos 是一个开源的金融 K 线基础模型用先把 K 线翻译成离散 token、再自回归生成的两段式框架做价格与成交量预测训练语料覆盖 45 个以上交易所最小的开源版本只有 4.1M 参数。它到底在解决什么问题做量化的人都知道一个尴尬K 线是典型的高噪声时间序列传统时序模型要么为每只票单独训练要么直接吃原始浮点数对噪声和分布漂移都很敏感。Kronos 换个思路——把 OHLCV开高低收加量额先量化成一串离散 token让一个 decoder-only 的 Transformer 在 token 空间里学市场语言。这样同一个基座可以横向复用到不同市场、不同周期不用每个标的从头训。官方论文已被 AAAI 2026 接收代码 MIT 协议开源。官方架构图K 线分词与自回归预训练两条主线技术思路拆解K线怎么被翻译成token白话先把连续的价格序列压成一串 0/1 比特串就像把照片压缩成 JPEG。技术细节KronosTokenizer 里是一个带编解码 Transformer 的量化器核心用了二进制球形量化BSQ把连续向量投影到超球面上再截断成 ±1 比特每个时间步最终变成一个离散索引。两档token加依赖解码白话每个时间步不是一个 token而是先粗后细两层——先定大致档位再补精度。技术细节编码后切成 s1高位比特和 s2低位比特两路预测时先自回归解出 s1再用 DependencyAwareLayer 拿 s1 的嵌入做条件交叉注意力去约束 s2 的生成。这个设计让精度位依赖骨架位推理更稳。生成与时间特征白话预测不是抽一个数而是按词表一个 token 一个 token 往后写同时告诉模型现在是周几几点。技术细节解码是逐位置的自回归采样支持温度 T、核采样 top_p还能生成 sample_count 条路径再平均把随机性抹平时间戳被拆成分钟、小时、星期、日、月五路嵌入求和后加到隐状态上所以模型知道自己在几点几分上下文中工作。 跑一遍看看效果拿官方示例 examples/prediction_example.py 看输入某只 A 股的 5 分钟 K 线取最近 400 根做上下文往后预测 120 根输出是一张带 open/high/low/close/volume/amount 六列的 DataFrame直接能画对比图。官方给的四档基座里目前开源三档版本参数量最大上下文开源Kronos-mini4.1M2048是Kronos-small24.7M512是Kronos-base102.3M512是Kronos-large499.2M512否官方示例输出收盘价与成交量两条曲线的真实值 vs 预测值批量场景用predict_batch要求所有序列的 lookback 和 pred_len 完全一致走 GPU 并行逐条独立做归一化/反归一化。微调回测这边finetune/ 目录给了一条基于 Qlib 的 A 股完整链路预处理 → 先调 tokenizer 再调 predictor都支持 torchrun 多卡→ top-K 策略回测输出的是策略累计收益对比基准的曲线官方特意声明这是演示流程没算交易成本、滑点和市场冲击别把它当成生产策略。从零到跑通最小上手路径第 1 步装好环境。Python 3.10依赖很轻torch 2.0 以上即可git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos pip install -r requirements.txt第 2 步拉权重、实例化预测器。Tokenizer 和模型都从 Hugging Face Hub 拉KronosPredictor会自动选 GPU / MPS / CPUtokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512)第 3 步喂数据、出结果。准备一个带timestamps和 OHLCV 列的 DataFramevolume/amount 可缺自动补 0调predictor.predict(...)。注意 small/base 的max_context是 512lookback 超过会被截断。想批量预测就把多组序列对齐长度后丢给predict_batch。适合谁用 / 不适用谁适合做 A 股或加密的量化研究者、想验证K 线基础模型这条技术路线的团队以及手里有特定市场数据、想拿预训练权重复用的人——finetune_csv/ 给了 CSV 数据直接微调的路子含阿里港股 5 分钟 K 线的完整示例配置比从零训省得多。不适合预期装完就能下注的交易员——它输出的是预测信号不是下单指令采样参数不同结果就不同硬件很弱的纯 CPU 环境自回归逐位置解码序列一长就会明显变慢mini 档能跑但 patience 要够另外它只处理 K 线基本面、情绪类信息得你自己想办法融进去。写在最后Kronos 把K 线当语言这条路走通了一版两档 token 加依赖解码的设计值得细看。建议先跑通 examples/prediction_example.py 看输出分布再决定要不要进 finetune/ 或 finetune_csv/ 做定制——顺序别反先跑通再调参省得在环境问题上绕圈。【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 Kronos：K线预测基础模型，从装好依赖到跑通回测的最短路径
KronosK线预测基础模型从装好依赖到跑通回测的最短路径【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/KronosKronos 是一个开源的金融 K 线基础模型用先把 K 线翻译成离散 token、再自回归生成的两段式框架做价格与成交量预测训练语料覆盖 45 个以上交易所最小的开源版本只有 4.1M 参数。它到底在解决什么问题做量化的人都知道一个尴尬K 线是典型的高噪声时间序列传统时序模型要么为每只票单独训练要么直接吃原始浮点数对噪声和分布漂移都很敏感。Kronos 换个思路——把 OHLCV开高低收加量额先量化成一串离散 token让一个 decoder-only 的 Transformer 在 token 空间里学市场语言。这样同一个基座可以横向复用到不同市场、不同周期不用每个标的从头训。官方论文已被 AAAI 2026 接收代码 MIT 协议开源。官方架构图K 线分词与自回归预训练两条主线技术思路拆解K线怎么被翻译成token白话先把连续的价格序列压成一串 0/1 比特串就像把照片压缩成 JPEG。技术细节KronosTokenizer 里是一个带编解码 Transformer 的量化器核心用了二进制球形量化BSQ把连续向量投影到超球面上再截断成 ±1 比特每个时间步最终变成一个离散索引。两档token加依赖解码白话每个时间步不是一个 token而是先粗后细两层——先定大致档位再补精度。技术细节编码后切成 s1高位比特和 s2低位比特两路预测时先自回归解出 s1再用 DependencyAwareLayer 拿 s1 的嵌入做条件交叉注意力去约束 s2 的生成。这个设计让精度位依赖骨架位推理更稳。生成与时间特征白话预测不是抽一个数而是按词表一个 token 一个 token 往后写同时告诉模型现在是周几几点。技术细节解码是逐位置的自回归采样支持温度 T、核采样 top_p还能生成 sample_count 条路径再平均把随机性抹平时间戳被拆成分钟、小时、星期、日、月五路嵌入求和后加到隐状态上所以模型知道自己在几点几分上下文中工作。 跑一遍看看效果拿官方示例 examples/prediction_example.py 看输入某只 A 股的 5 分钟 K 线取最近 400 根做上下文往后预测 120 根输出是一张带 open/high/low/close/volume/amount 六列的 DataFrame直接能画对比图。官方给的四档基座里目前开源三档版本参数量最大上下文开源Kronos-mini4.1M2048是Kronos-small24.7M512是Kronos-base102.3M512是Kronos-large499.2M512否官方示例输出收盘价与成交量两条曲线的真实值 vs 预测值批量场景用predict_batch要求所有序列的 lookback 和 pred_len 完全一致走 GPU 并行逐条独立做归一化/反归一化。微调回测这边finetune/ 目录给了一条基于 Qlib 的 A 股完整链路预处理 → 先调 tokenizer 再调 predictor都支持 torchrun 多卡→ top-K 策略回测输出的是策略累计收益对比基准的曲线官方特意声明这是演示流程没算交易成本、滑点和市场冲击别把它当成生产策略。从零到跑通最小上手路径第 1 步装好环境。Python 3.10依赖很轻torch 2.0 以上即可git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos pip install -r requirements.txt第 2 步拉权重、实例化预测器。Tokenizer 和模型都从 Hugging Face Hub 拉KronosPredictor会自动选 GPU / MPS / CPUtokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512)第 3 步喂数据、出结果。准备一个带timestamps和 OHLCV 列的 DataFramevolume/amount 可缺自动补 0调predictor.predict(...)。注意 small/base 的max_context是 512lookback 超过会被截断。想批量预测就把多组序列对齐长度后丢给predict_batch。适合谁用 / 不适用谁适合做 A 股或加密的量化研究者、想验证K 线基础模型这条技术路线的团队以及手里有特定市场数据、想拿预训练权重复用的人——finetune_csv/ 给了 CSV 数据直接微调的路子含阿里港股 5 分钟 K 线的完整示例配置比从零训省得多。不适合预期装完就能下注的交易员——它输出的是预测信号不是下单指令采样参数不同结果就不同硬件很弱的纯 CPU 环境自回归逐位置解码序列一长就会明显变慢mini 档能跑但 patience 要够另外它只处理 K 线基本面、情绪类信息得你自己想办法融进去。写在最后Kronos 把K 线当语言这条路走通了一版两档 token 加依赖解码的设计值得细看。建议先跑通 examples/prediction_example.py 看输出分布再决定要不要进 finetune/ 或 finetune_csv/ 做定制——顺序别反先跑通再调参省得在环境问题上绕圈。【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