Kronos K线预测模型实战3步从安装到第一次预测图【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打开行情软件面对几百根密密麻麻的K线你大概最想要一句话接下来几个小时价格往哪走Kronos 就是一个开源的金融K线预测基础模型——喂给它一段历史K线数据它输出一段未来时间窗口的K线序列覆盖45家以上全球交易所的训练数据。Kronos 是什么专为K线训练的预测模型Kronos 是一个 decoder-only 的基础模型家族专门处理金融K线序列这种高噪声数据。你只需要提供每根K线的五个数值——开盘、最高、最低、收盘、成交量英文缩写 OHLCV它就能给出未来的对应序列而不是一个孤立的价格点。相比通用的时间序列模型它的针对性在于K线里的跳空、放量、形态突变这些行情语言被当成一种语言来学习。相关论文已被 AAAI 2026 接收项目在 README.md 中记录了完整的模型列表与使用方式。安装 Kronos 并跑通第一次K线预测整个环境准备只有两步装依赖、跑示例。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt小贴士官方要求 Python 3.10 及以上版本依赖主要是 PyTorch、pandas 和 matplotlib装完后模型权重会在首次预测时自动从 Hugging Face 下载。然后运行示例脚本python examples/prediction_example.py这个脚本会读取仓库自带的 5 分钟K线样例取最近 400 根K线作为上下文、预测接下来 120 根最后弹出预测值与实际值的对比图。你不需要写任何代码就能看到第一份结果。如果你不想碰命令行还有图形界面在webui目录下执行python run.py浏览器打开本地 7070 端口即可用滑块选时间窗口、点按钮出预测支持 CPU、CUDA、MPS 三种设备详见 webui/README.md。Kronos 怎么预测价格两阶段框架它的内部结构可以用一句话概括先把K线翻译成模型能懂的符号再逐段往后续写。第一阶段Tokenizer分词器把连续的 OHLCV 数值量化成一串分层离散 token相当于给K线语言造了一套字母表第二阶段自回归 Transformer在这串 token 上做预训练像语言模型续写句子一样逐个生成后续的 token再解码回K线数值。这个设计的好处是解耦分词器负责读懂K线Transformer 负责预测走势微调时两者可以分开训练后面会用到。三个 Kronos 模型规格怎么选官方开源了三个规格参数量和上下文长度如下模型参数量最大上下文配套 TokenizerKronos-mini4.1M2048Kronos-Tokenizer-2kKronos-small24.7M512Kronos-Tokenizer-baseKronos-base102.3M512Kronos-Tokenizer-base另有一个 499.2M 的 Kronos-large目前未开源。选择逻辑很简单Kronos-mini上下文能到 2048 根K线最适合资源有限或想塞进更长历史的场景Kronos-small24.7M 参数官方示例脚本默认用它CPU 和单卡都能跑是你的首选起点Kronos-base102.3M 参数适合有 GPU、想要更高质量预测的场景。加载模型只需从 Hugging Face 用from_pretrained拉取对应的 tokenizer 和模型再包进一个KronosPredictor里它会自动处理归一化、预测和反归一化这几件脏活。看懂预测结果采样参数与批量预测示例脚本输出的图里上半部分是收盘价曲线、下半部分是成交量蓝线是真实数据红线是模型预测。你主要看红线在转折点的走向和量级的贴合程度。预测不是唯一解而是一次采样。predict方法返回一张和输入同结构的 DataFrame含 open/high/low/close/volume/amount 列有三个采样参数值得了解T温度控制随机性Web UI 建议 1.2–1.5top_p核采样候选 token 的累计概率阈值0.95–1.0 覆盖更多可能sample_count生成多条预测路径取平均设 2–3 能平滑掉采样噪声。需要同时预测多只标的时用predict_batch即可要求所有序列的上下文长度和预测长度一致GPU 上并行执行参考 examples/prediction_batch_example.py。如果你的数据没有成交量还有去量化的变体 examples/prediction_wo_vol_example.py。用你自己的数据微调 Kronos通用模型对你盯的那只股票不一定最懂。仓库给了两条微调路线都放在 finetune/ 和 finetune_csv/ 两个目录。路线一A股 Qlib 数据完整流水线先装pip install pyqlib并按官方指南准备本地日线数据然后依次执行数据预处理python finetune/qlib_data_preprocess.py产出 train/val/test 三份 pickle接着用 torchrun 分别微调 tokenizer 和 predictortorchrun --standalone --nproc_per_nodeNUM_GPUS finetune/train_tokenizer.py注意 finetune/config.py 里的qlib_data_path、dataset_path、save_path等路径要先改成你本机的。官方特意提醒这条流水线是演示简化版不是生产级量化系统真实策略还需要组合优化和风险因子中性化。路线二自定义 CSV一条命令顺序训练如果你手上就是普通的K线 CSV这条路更轻。数据需要timestamps、open、high、low、close列volume和amount没有可以全填 0样例见 finetune_csv/data/HK_ali_09988_kline_5min_all.csv。在 finetune_csv/configs/config_ali09988_candle-5min.yaml 里改好数据路径后执行python train_sequential.py --config configs/config_ali09988_candle-5min.yaml脚本会自动按先 tokenizer 后 predictor的顺序训练只想重训其中一半时可以加--skip-tokenizer或--skip-basemodel多卡则用 torchrun 起 DDP。完整说明在 finetune_csv/README_CN.md。回测验证效果Qlib 路线跑完微调后执行python finetune/qlib_test.py --device cuda:0会输出策略与基准的累计收益对比CSV 路线训练结束时也会自动画出预测图下图是阿里 5 分钟K线上微调后的效果红色为预测段避坑提示3个最容易卡住的地方上下文别超 512Kronos-small 和 Kronos-base 的max_context是 512示例里lookback400就是刻意留了余量输入更长时KronosPredictor会自动截断但截断意味着丢掉更早的历史。缺列直接报错DataFrame 必须有 open/high/low/close 四列timestamps要能被解析成日期volume 缺失时 batch 预测会补零而不是报错心里有数即可。Qlib 路线的隐藏依赖pyqlib不在requirements.txt里需要单独安装config.py不改路径四个脚本跑哪一步都会在文件读写时失败。先克隆仓库跑一遍examples/prediction_example.py拿到第一张预测图确认环境和流程没问题后再把自己的K线 CSV 按finetune_csv的配置格式准备好进入微调环节。【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 
长河君 · 2026/9/1 11:30:31 · 阅读 1.2k Kronos K线预测模型实战：3步从安装到第一次预测图
Kronos K线预测模型实战3步从安装到第一次预测图【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打开行情软件面对几百根密密麻麻的K线你大概最想要一句话接下来几个小时价格往哪走Kronos 就是一个开源的金融K线预测基础模型——喂给它一段历史K线数据它输出一段未来时间窗口的K线序列覆盖45家以上全球交易所的训练数据。Kronos 是什么专为K线训练的预测模型Kronos 是一个 decoder-only 的基础模型家族专门处理金融K线序列这种高噪声数据。你只需要提供每根K线的五个数值——开盘、最高、最低、收盘、成交量英文缩写 OHLCV它就能给出未来的对应序列而不是一个孤立的价格点。相比通用的时间序列模型它的针对性在于K线里的跳空、放量、形态突变这些行情语言被当成一种语言来学习。相关论文已被 AAAI 2026 接收项目在 README.md 中记录了完整的模型列表与使用方式。安装 Kronos 并跑通第一次K线预测整个环境准备只有两步装依赖、跑示例。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt小贴士官方要求 Python 3.10 及以上版本依赖主要是 PyTorch、pandas 和 matplotlib装完后模型权重会在首次预测时自动从 Hugging Face 下载。然后运行示例脚本python examples/prediction_example.py这个脚本会读取仓库自带的 5 分钟K线样例取最近 400 根K线作为上下文、预测接下来 120 根最后弹出预测值与实际值的对比图。你不需要写任何代码就能看到第一份结果。如果你不想碰命令行还有图形界面在webui目录下执行python run.py浏览器打开本地 7070 端口即可用滑块选时间窗口、点按钮出预测支持 CPU、CUDA、MPS 三种设备详见 webui/README.md。Kronos 怎么预测价格两阶段框架它的内部结构可以用一句话概括先把K线翻译成模型能懂的符号再逐段往后续写。第一阶段Tokenizer分词器把连续的 OHLCV 数值量化成一串分层离散 token相当于给K线语言造了一套字母表第二阶段自回归 Transformer在这串 token 上做预训练像语言模型续写句子一样逐个生成后续的 token再解码回K线数值。这个设计的好处是解耦分词器负责读懂K线Transformer 负责预测走势微调时两者可以分开训练后面会用到。三个 Kronos 模型规格怎么选官方开源了三个规格参数量和上下文长度如下模型参数量最大上下文配套 TokenizerKronos-mini4.1M2048Kronos-Tokenizer-2kKronos-small24.7M512Kronos-Tokenizer-baseKronos-base102.3M512Kronos-Tokenizer-base另有一个 499.2M 的 Kronos-large目前未开源。选择逻辑很简单Kronos-mini上下文能到 2048 根K线最适合资源有限或想塞进更长历史的场景Kronos-small24.7M 参数官方示例脚本默认用它CPU 和单卡都能跑是你的首选起点Kronos-base102.3M 参数适合有 GPU、想要更高质量预测的场景。加载模型只需从 Hugging Face 用from_pretrained拉取对应的 tokenizer 和模型再包进一个KronosPredictor里它会自动处理归一化、预测和反归一化这几件脏活。看懂预测结果采样参数与批量预测示例脚本输出的图里上半部分是收盘价曲线、下半部分是成交量蓝线是真实数据红线是模型预测。你主要看红线在转折点的走向和量级的贴合程度。预测不是唯一解而是一次采样。predict方法返回一张和输入同结构的 DataFrame含 open/high/low/close/volume/amount 列有三个采样参数值得了解T温度控制随机性Web UI 建议 1.2–1.5top_p核采样候选 token 的累计概率阈值0.95–1.0 覆盖更多可能sample_count生成多条预测路径取平均设 2–3 能平滑掉采样噪声。需要同时预测多只标的时用predict_batch即可要求所有序列的上下文长度和预测长度一致GPU 上并行执行参考 examples/prediction_batch_example.py。如果你的数据没有成交量还有去量化的变体 examples/prediction_wo_vol_example.py。用你自己的数据微调 Kronos通用模型对你盯的那只股票不一定最懂。仓库给了两条微调路线都放在 finetune/ 和 finetune_csv/ 两个目录。路线一A股 Qlib 数据完整流水线先装pip install pyqlib并按官方指南准备本地日线数据然后依次执行数据预处理python finetune/qlib_data_preprocess.py产出 train/val/test 三份 pickle接着用 torchrun 分别微调 tokenizer 和 predictortorchrun --standalone --nproc_per_nodeNUM_GPUS finetune/train_tokenizer.py注意 finetune/config.py 里的qlib_data_path、dataset_path、save_path等路径要先改成你本机的。官方特意提醒这条流水线是演示简化版不是生产级量化系统真实策略还需要组合优化和风险因子中性化。路线二自定义 CSV一条命令顺序训练如果你手上就是普通的K线 CSV这条路更轻。数据需要timestamps、open、high、low、close列volume和amount没有可以全填 0样例见 finetune_csv/data/HK_ali_09988_kline_5min_all.csv。在 finetune_csv/configs/config_ali09988_candle-5min.yaml 里改好数据路径后执行python train_sequential.py --config configs/config_ali09988_candle-5min.yaml脚本会自动按先 tokenizer 后 predictor的顺序训练只想重训其中一半时可以加--skip-tokenizer或--skip-basemodel多卡则用 torchrun 起 DDP。完整说明在 finetune_csv/README_CN.md。回测验证效果Qlib 路线跑完微调后执行python finetune/qlib_test.py --device cuda:0会输出策略与基准的累计收益对比CSV 路线训练结束时也会自动画出预测图下图是阿里 5 分钟K线上微调后的效果红色为预测段避坑提示3个最容易卡住的地方上下文别超 512Kronos-small 和 Kronos-base 的max_context是 512示例里lookback400就是刻意留了余量输入更长时KronosPredictor会自动截断但截断意味着丢掉更早的历史。缺列直接报错DataFrame 必须有 open/high/low/close 四列timestamps要能被解析成日期volume 缺失时 batch 预测会补零而不是报错心里有数即可。Qlib 路线的隐藏依赖pyqlib不在requirements.txt里需要单独安装config.py不改路径四个脚本跑哪一步都会在文件读写时失败。先克隆仓库跑一遍examples/prediction_example.py拿到第一张预测图确认环境和流程没问题后再把自己的K线 CSV 按finetune_csv的配置格式准备好进入微调环节。【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