尧图网站建设 
4步上手Kronos开源K线预测大模型从预测到回测的完整指南【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 是目前少有的开源 K 线预测基础模型它用超过 45 家全球交易所的行情做过预训练喂给它一段历史 K 线就能输出未来一段时间的开盘、最高、最低、收盘甚至成交量。无论你是想先看效果的普通投资者、需要写代码的开发者还是要批量预测、做 K 线回测的研究者这份指南都能带你从零跑通。先看结果Kronos 预测出来是什么样先不聊原理直接看仓库里现成的产出。第一张是官方示例脚本 examples/prediction_example.py 跑完的效果上半部分是真实历史行情下半部分接上模型生成的未来走势预测的 K 线和实际走势摆在一起对照。第二张来自 examples/yuce/ 目录是 A 股个股代码 000021的真实预测输出旁边还配了一份 JSON 分析报告记录趋势、板块、宏观等维度的分析结论。同目录下还有 002354、300207、600580 三只股票的同类结果可以直接翻看。第三张是回测曲线在 A 股日线数据上微调后用简单 top-K 策略回测画出策略相对基准的累计收益走势。这张图对应 finetune/ 里的完整流程第 6 节会展开。也就是说你拿到的不只是一个数字而是一条可以逐根 K 线核对的预测序列外加配套图表和报告。最快上手路径4步拿到第一张预测图 不需要写任何代码用仓库内置的网页界面 webui/ 即可克隆仓库需要 Python 3.10git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos安装依赖cd Kronos pip install -r requirements.txt启动网页界面cd webui python run.py浏览器打开http://localhost:7070选择一个 CSV 文件只要含open、high、low、close四列volume、amount可选→ 选模型和计算设备CPU / CUDA / MPS→ 拖动时间窗口固定 400 个历史点 120 个预测点→ 点击预测。首次加载会从 Hugging Face 下载模型权重稍等片刻。习惯命令行的用户也可以直接跑 examples/prediction_example.py它会完成数据加载、预测和画图三件事跑完得到的就是上面第一张图。原理白话版K线是怎么被编码又解码的Kronos 是 decoder-only只做生成、不做编码理解的基础模型家族核心思路分两步实现在 model/ 目录论文已被 AAAI 2026 接收第一步把 K 线压成一串符号。K 线一根就带开盘、最高、最低、收盘、成交量好几个维度还是连续数值噪声又大。Kronos 用一个专门训练过的量化器Tokenizer把每段 K 线压缩成粗细两层、由粗到细的离散符号——就像把一段模拟信号转成电报码。这样做的理由离散化后连续价格的细碎噪声被挡在外面模型只需抓住市场的结构而且两层编码保证了细节不丢。第二步按顺序逐个推断下一个符号。一串自回归 Transformer 在 45 家以上交易所的 K 线符号序列上预训练任务只有一件事给定前面的符号推断下一个。推理时它从历史末尾开始一个接一个地把未来生成出来再反解回真实的 OHLCV 价格。为什么这样设计K 线天然是后面依赖前面的时序自回归结构和这个依赖关系严丝合缝而多市场预训练让它成为一个通用底座之后可以低成本地适配你关心的市场。mini / small / base 怎么选模型参数量上下文长度配套量化器适用场景Kronos-mini4.1M2048Kronos-Tokenizer-2k低配机器、快速验证流程Kronos-small24.7M512Kronos-Tokenizer-base速度精度平衡示例默认用Kronos-base102.3M512Kronos-Tokenizer-base追求更高预测质量Kronos-large499.2M512—尚未开源 两条实用建议先小后大先用 Kronos-mini 把数据格式和设备环境跑通再换 small 或 base避免一开始就卡在环境问题。注意上下文上限small 和 base 最多处理 512 个点你喂给模型的历史窗口lookback最好不要超过它KronosPredictor对更长的输入会自动截断。进阶路线用自己的数据微调和回测三条路按你的情况挑一条手里有 CSV 行情数据股票、港股、加密货币都行去 finetune_csv/。改一份 yaml 配置数据路径、窗口长度、训练参数然后一条命令顺序训练量化器和预测模型python train_sequential.py --config configs/config_ali09988_candle-5min.yaml多卡可加 DDP。仓库内置了阿里巴巴港股 09988 五分钟 K 线的完整示例数据finetune_csv/data/训练完的预测效果长这样量化研究者用 Qlib 管理 A 股数据走 finetune/ 的四步链路——先改 finetune/config.py 里的路径与超参数再跑 finetune/qlib_data_preprocess.py 切出训练/验证/测试集然后用torchrun分别微调量化器finetune/train_tokenizer.py和预测器finetune/train_predictor.py最后用 finetune/qlib_test.py 在测试集上做 top-K 策略回测产出前面那张累计收益曲线。要一次预测很多标的KronosPredictor提供predict_batch可对多只股票并行出预测示例见 examples/prediction_batch_example.py。命令行预测还能用温度T、核采样top_p和采样条数sample_count调节预测的随机性。边界提醒离实盘还差哪些工程环节⚠️ 官方把话说得很清楚请务必留意回测流水线只是演示用来展示微调流程不是一个生产级量化交易系统。模型输出的信号属于原始预测实盘前还要接组合优化、风险因子中性化剥离市场 beta、风格因子暴露、以及交易成本与滑点的精细建模才能谈得上稳定收益。文中的 top-K 简单策略只是起点真实策略还需要仓位管理、止损规则等逻辑。本文与项目均不构成投资建议预测结果请当作研究参考而不是买卖依据。一句话总结Kronos 把读 K 线这件难事拆成了符号化 顺序生成两步模型、数据、微调与回测代码全部开源可查对普通用户它是零门槛的预测可视化入口对研究者则是一个可持续微调、可回测验证的 K 线预测基座。【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 4步上手Kronos：开源K线预测大模型从预测到回测的完整指南
4步上手Kronos开源K线预测大模型从预测到回测的完整指南【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 是目前少有的开源 K 线预测基础模型它用超过 45 家全球交易所的行情做过预训练喂给它一段历史 K 线就能输出未来一段时间的开盘、最高、最低、收盘甚至成交量。无论你是想先看效果的普通投资者、需要写代码的开发者还是要批量预测、做 K 线回测的研究者这份指南都能带你从零跑通。先看结果Kronos 预测出来是什么样先不聊原理直接看仓库里现成的产出。第一张是官方示例脚本 examples/prediction_example.py 跑完的效果上半部分是真实历史行情下半部分接上模型生成的未来走势预测的 K 线和实际走势摆在一起对照。第二张来自 examples/yuce/ 目录是 A 股个股代码 000021的真实预测输出旁边还配了一份 JSON 分析报告记录趋势、板块、宏观等维度的分析结论。同目录下还有 002354、300207、600580 三只股票的同类结果可以直接翻看。第三张是回测曲线在 A 股日线数据上微调后用简单 top-K 策略回测画出策略相对基准的累计收益走势。这张图对应 finetune/ 里的完整流程第 6 节会展开。也就是说你拿到的不只是一个数字而是一条可以逐根 K 线核对的预测序列外加配套图表和报告。最快上手路径4步拿到第一张预测图 不需要写任何代码用仓库内置的网页界面 webui/ 即可克隆仓库需要 Python 3.10git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos安装依赖cd Kronos pip install -r requirements.txt启动网页界面cd webui python run.py浏览器打开http://localhost:7070选择一个 CSV 文件只要含open、high、low、close四列volume、amount可选→ 选模型和计算设备CPU / CUDA / MPS→ 拖动时间窗口固定 400 个历史点 120 个预测点→ 点击预测。首次加载会从 Hugging Face 下载模型权重稍等片刻。习惯命令行的用户也可以直接跑 examples/prediction_example.py它会完成数据加载、预测和画图三件事跑完得到的就是上面第一张图。原理白话版K线是怎么被编码又解码的Kronos 是 decoder-only只做生成、不做编码理解的基础模型家族核心思路分两步实现在 model/ 目录论文已被 AAAI 2026 接收第一步把 K 线压成一串符号。K 线一根就带开盘、最高、最低、收盘、成交量好几个维度还是连续数值噪声又大。Kronos 用一个专门训练过的量化器Tokenizer把每段 K 线压缩成粗细两层、由粗到细的离散符号——就像把一段模拟信号转成电报码。这样做的理由离散化后连续价格的细碎噪声被挡在外面模型只需抓住市场的结构而且两层编码保证了细节不丢。第二步按顺序逐个推断下一个符号。一串自回归 Transformer 在 45 家以上交易所的 K 线符号序列上预训练任务只有一件事给定前面的符号推断下一个。推理时它从历史末尾开始一个接一个地把未来生成出来再反解回真实的 OHLCV 价格。为什么这样设计K 线天然是后面依赖前面的时序自回归结构和这个依赖关系严丝合缝而多市场预训练让它成为一个通用底座之后可以低成本地适配你关心的市场。mini / small / base 怎么选模型参数量上下文长度配套量化器适用场景Kronos-mini4.1M2048Kronos-Tokenizer-2k低配机器、快速验证流程Kronos-small24.7M512Kronos-Tokenizer-base速度精度平衡示例默认用Kronos-base102.3M512Kronos-Tokenizer-base追求更高预测质量Kronos-large499.2M512—尚未开源 两条实用建议先小后大先用 Kronos-mini 把数据格式和设备环境跑通再换 small 或 base避免一开始就卡在环境问题。注意上下文上限small 和 base 最多处理 512 个点你喂给模型的历史窗口lookback最好不要超过它KronosPredictor对更长的输入会自动截断。进阶路线用自己的数据微调和回测三条路按你的情况挑一条手里有 CSV 行情数据股票、港股、加密货币都行去 finetune_csv/。改一份 yaml 配置数据路径、窗口长度、训练参数然后一条命令顺序训练量化器和预测模型python train_sequential.py --config configs/config_ali09988_candle-5min.yaml多卡可加 DDP。仓库内置了阿里巴巴港股 09988 五分钟 K 线的完整示例数据finetune_csv/data/训练完的预测效果长这样量化研究者用 Qlib 管理 A 股数据走 finetune/ 的四步链路——先改 finetune/config.py 里的路径与超参数再跑 finetune/qlib_data_preprocess.py 切出训练/验证/测试集然后用torchrun分别微调量化器finetune/train_tokenizer.py和预测器finetune/train_predictor.py最后用 finetune/qlib_test.py 在测试集上做 top-K 策略回测产出前面那张累计收益曲线。要一次预测很多标的KronosPredictor提供predict_batch可对多只股票并行出预测示例见 examples/prediction_batch_example.py。命令行预测还能用温度T、核采样top_p和采样条数sample_count调节预测的随机性。边界提醒离实盘还差哪些工程环节⚠️ 官方把话说得很清楚请务必留意回测流水线只是演示用来展示微调流程不是一个生产级量化交易系统。模型输出的信号属于原始预测实盘前还要接组合优化、风险因子中性化剥离市场 beta、风格因子暴露、以及交易成本与滑点的精细建模才能谈得上稳定收益。文中的 top-K 简单策略只是起点真实策略还需要仓位管理、止损规则等逻辑。本文与项目均不构成投资建议预测结果请当作研究参考而不是买卖依据。一句话总结Kronos 把读 K 线这件难事拆成了符号化 顺序生成两步模型、数据、微调与回测代码全部开源可查对普通用户它是零门槛的预测可视化入口对研究者则是一个可持续微调、可回测验证的 K 线预测基座。【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