Kronos 使用指南3 步跑通开源金融 K 线基础模型【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 是首个面向金融 K 线K-line的开源基础模型在 45 家以上全球交易所数据上预训练。它戳中的痛点是通用时间序列模型难吃透高噪声的 OHLCV 数据Kronos 用先 token 化、再自回归的两阶段路线绕开了这个问题。 它到底怎么工作先 tokenize再自回归两级 token 化KronosTokenizer把连续的 OHLCV K 线压成分层离散 tokenencoder 出向量后由 BSQuantizer 量化成 pre/post 两段。为什么这么做——离散 token 让 K 线能直接套用 NLP 那套自回归训练范式。实现见 model/kronos.py。因果 Transformer 预训练decoder-only 结构在 token 序列上做 next-token 预测学会 K 线语言。开源三档mini 4.1M上下文 2048、small 24.7M、base 102.3M。推理端封装KronosPredictor包掉归一化、截断、反归一化你只需要传一个 DataFrame。Kronos 完整架构K 线 Token 化流程 自回归预训练框架 最短路径跑起来3 步出第一条预测装依赖Python 3.10执行pip install -r requirements.txttorch、pandas、huggingface_hub 等。加载模型tokenizer 用NeoQuasar/Kronos-Tokenizer-base模型用NeoQuasar/Kronos-small再建KronosPredictor(model, tokenizer, max_context512)。跑示例执行 examples/prediction_example.py读入 5 分钟 K 线 CSVlookback400根 K 线做输入预测未来pred_len120根采样参数T1.0, top_p0.9, sample_count1。示例脚本产出收盘价、成交量两条曲线的 Ground Truth 与 Prediction 对比 这几个数字怎么看效果预测线能跟上真实收盘的趋势方向成交量峰值位置大体对齐。说明模型学到的是走势形态不是精确点位别拿它当点值回归。稳健性T、top_p、sample_count控制采样多路径取均值能压方差多次采样曲线若分歧大说明该窗口不确定性高。适用边界small/base 上下文只有 512 根 K 线lookback 别超 5125 分钟频率约 1.7 个交易日需要长上下文就换 2048 上下文的 mini。finetune 流水线回测产出top-K 策略累积收益 vs 基准A 股日线示例⚖️ 适合谁用边界在哪适合想快速验证 K 线预测/信号研究的原型项目不想从零搭 token 化管线、只想调参跑对比的小团队已有 finetune/ 目录的 Qlib 微调 回测全流程A 股日线可直接复现。不适合把输出直接接实盘——官方 README 明确示例管线非生产就绪缺风险中性化、成本与滑点建模缺成交量数据的场景可用 examples/prediction_wo_vol_example.py 验证后再决定。选型关键先看上下文512 vs 2048再看参数量4.1M102.3Mmini 适合长窗口低算力base 适合短窗口高精度。一句话收束把它当作可复现的 K 线预测基线和微调起点来用离实盘策略还差组合优化和风险管理这一层。【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