Kronos K线预测实战从克隆仓库到第一条预测曲线【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上周我拿了一段 A 股的 5 分钟 K 线数据跑 Kronos喂给它最近 400 根 K 线作历史它一口气输出了未来 120 根 K 线的开高低收和成交量画出来之后红色预测曲线和蓝色实际曲线在转折位置贴得相当近。Kronos 是第一个专门针对金融 K 线序列训练的开源基础模型训练数据覆盖 45 个以上的全球交易所核心功能就一件事给它一段 K 线它接着往下预测 K 线。它到底能干什么能输出完整的 OHLCV 未来 K 线返回的不是单一收盘价而是 open/high/low/close/volume/amount 六个字段且是一个以时间戳为索引的 pandas DataFrame直接能接进你下游的代码。能批量并行预测多条序列predict_batch方法可以同时处理多个标的或多个时间窗内部对每条序列独立做归一化和反归一化多序列时比 for 循环快一个量级。能用你自己的数据微调微调管线同时支持 Qlib 数据和普通 CSV 文件如果你有特定标的、特定频率的数据可以训练一版贴着自己数据分布的模型。Kronos 怎么装从克隆仓库到第一条预测曲线最短链路就三步克隆、装依赖、跑示例。先克隆仓库并安装依赖需要 Python 3.10git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt然后直接跑官方预测示例。它会加载 5 分钟 K 线 CSV取 400 根作历史、预测未来 120 根最后画出对比图python examples/prediction_example.py首次运行会从 Hugging Face 下载 tokenizer 和模型权重默认示例用的是 24.7M 参数的 Kronos-small网络不通 Hugging Face 会卡在这一步这是最常见的失败点。不想写 Python 的话项目里还带了一个 Flask 的 Web 界面。三种入口放在一起入口适合谁一行启动命令Web 界面webui/想先试手感、浏览器里调参数cd webui python run.pyPython APImodel/要嵌进自己代码的人python examples/prediction_example.py批量脚本多标的 / 多时间窗python examples/prediction_batch_example.py启动 Web 界面后访问http://localhost:7070上传数据文件、选模型和设备、拖时间窗就能出预测结果。最容易踩的坑示例数据不在仓库里。prediction_example.py读的是./data/XSHG_5min_600977.csv但仓库并没有这个目录需要你自己准备一个包含timestamps、open、high、low、close、volume、amount列的 CSV没有成交量就填 0参考finetune_csv/data/里的样例格式。上下文长度有上限。Kronos-small 和 Kronos-base 的最大上下文是 512lookback超过 512 时KronosPredictor会静默截断不要指望喂更长历史就一定更好。批量预测有约束。predict_batch要求所有序列的历史长度和pred_len一致各序列的 DataFrame 都必须有 OHLC 四列。底层怎么转的一句话概括设计思路先把预测 K 线变成生成 token预测就能借用语言模型那套自回归生成的成熟范式。原始 K 线是 OHLCV 五个维度的连续数据而且噪声很大直接让 Transformer 在连续值上回归很难学。所以 Kronos 分两阶段第一阶段是一个专用 tokenizer把连续的 K 线量化成分层离散 token——先产出粗粒度的 s1 token 确定这根 K 线的整体形态再在 s1 条件下生成更细的 s2 token 补充细节第二阶段是在这些 token 上预训练的 decoder-only 自回归 Transformer。推理时模型逐根 K 线地先生成粗 token、再生成细 token最后由 tokenizer 解码回六个 OHLCV 数值。也正因为是生成而不是回归预测时才有T温度采样、top_p核采样和sample_count多条预测路径取平均这些概率生成参数可调。跑出来的东西长什么样下面这张是官方示例的输出蓝线是实际的收盘价和成交量红线是模型预测最值得注意的地方预测曲线没有简单地沿着历史最后一小段趋势外推它在历史数据结束后形成了自己的转折形态波动幅度也和前段的真实波动处在同一量级。如果想看微调之后的效果官方还给了一个 A 股回测演示用微调后的模型输出预测信号跑 top-K 策略和基准指数比累计收益这张图要客观看README 明确说回测是演示管线top-K 策略、没有交易成本、滑点建模它说明的是流程怎么接不是让你把曲线上的数字当实盘依据。三个开源模型规模对比模型参数最大上下文适合场景Kronos-mini4.1M2048配 Tokenizer-2kCPU 环境、快速试效果Kronos-small24.7M512日常使用速度和效果平衡Kronos-base102.3M512精度优先建议 GPUCPU 上跑 mini 或 small 完全可行想要批量预测的并行加速则还是得上支持 CUDA 的显卡。Kronos 实战进阶三种更深的玩法用自己的 CSV 微调适合手里有特定标的、特定频率数据想让模型贴合自己数据分布的人。finetune_csv/目录是现成管线把 CSV 准备好改一下配置里的data_path和预训练模型路径参考 finetune_csv/configs/ 里带注释的模板然后cd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml这个脚本会自动先训 tokenizer 再训 predictor中间可以加--skip-existing跳过已训好的模块。仓库里附了用港股 09988 的 5 分钟 K 线微调后的效果看图时重点看预测段微调后的模型输出是否比通用版本更贴近这个标的自己的波动节奏而不是单看某一根 K 线准不准。批量预测适合一次要覆盖一个股票池的人。把各序列的 DataFrame 和时间戳整理成列表调predict_batchpred_df_list predictor.predict_batch( df_listdf_list, x_timestamp_listxtsp_list, y_timestamp_listytsp_list, pred_len120, T1.0, top_p0.9, sample_count1, )返回的列表和输入顺序一一对应可以直接循环落盘。examples/prediction_batch_example.py里演示了从同一段数据切 5 个窗口并行预测的完整写法。Qlib 管线A 股微调 回测适合想跑通微调→预测→回测完整闭环的人。先装pyqlib并按 Qlib 官方文档下载日线数据再改finetune/config.py里的路径然后依次执行python finetune/qlib_data_preprocess.py torchrun --standalone --nproc_per_node2 finetune/train_tokenizer.py torchrun --standalone --nproc_per_node2 finetune/train_predictor.py python finetune/qlib_test.py --device cuda:0torchrun 后面的数字换成你的显卡数。跑完qlib_test.py会在控制台输出策略分析并生成类似前面那张图的累计收益曲线。README 提醒过输出的是原始预测信号进生产前还要经过风险因子中性化这类处理。接下来你可以做什么把prediction_example.py里的数据换成你自己的标的先验一遍现成模型的效果再决定值不值得为它微调用predict_batch的输出接一个夜间定时任务每天收盘后批量生成自选股池的次日 K 线预测只有价格、没有成交量数据的话试一下examples/prediction_wo_vol_example.pyvolume 和 amount 填零一样能预测。MIT 协议代码可以直接拿去改。比较稳妥的用法是把它当成你工作流里的一个信号源先看预测信号在你自己的策略里有没有解释力而不是一上来就把仓位押在单一模型的输出上。【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