尧图网站建设 
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/KronosKronos 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 1.2–1.5top_p核采样截断0.1–1.0示例脚本常用 0.9sample_count采样条数多条取平均1–52–3 条更稳lookback历史窗口长度small/base 建议不超过 512pred_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-mini4.1M2048Kronos-Tokenizer-2k已开源Kronos-small24.7M512Kronos-Tokenizer-base已开源Kronos-base102.3M512Kronos-Tokenizer-base已开源Kronos-large499.2M512Kronos-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:0CSV 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 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
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/KronosKronos 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 1.2–1.5top_p核采样截断0.1–1.0示例脚本常用 0.9sample_count采样条数多条取平均1–52–3 条更稳lookback历史窗口长度small/base 建议不超过 512pred_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-mini4.1M2048Kronos-Tokenizer-2k已开源Kronos-small24.7M512Kronos-Tokenizer-base已开源Kronos-base102.3M512Kronos-Tokenizer-base已开源Kronos-large499.2M512Kronos-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:0CSV 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