kronos

Kronos se presenta como un modelo fundacional de código abierto para datos financieros de velas (K-line), descrito como entrenado con datos de más de 45 bolsas globales. El proyecto fue aceptado en AAAI 2026 y su artículo está disponible en arXiv. Arquitectura y enfoque Kronos es una familia de modelos fundacionales solo decodificador preentrenados en secuencias K-line. Su marco de dos etapas primero utiliza un tokenizador especializado para cuantizar datos OHLCV multidimensionales continuos en tokens discretos jerárquicos, y luego preentrena un gran Transformer autorregresivo en esos tokens para que el mismo modelo pueda servir a múltiples tareas cuantitativas. Los autores lo posicionan como diseñado para las características de alto ruido de los datos financieros, en contraste con los modelos fundacionales de series temporales de propósito general. Zoológico de modelos Los modelos preentrenados se distribuyen a través de Hugging Face bajo la organización NeoQuasar: - Kronos-mini: Kronos-Tokenizer-2k, longitud de contexto 2048, 4.1M de parámetros. - Kronos-small: Kronos-Tokenizer-base, longitud de contexto 512, 24.7M de parámetros. - Kronos-base: Kronos-Tokenizer-base, longitud de contexto 512, 102.3M de parámetros. - Kronos-large: Kronos-Tokenizer-base, longitud de contexto 512, 499.2M de parámetros, listado como no de código abierto. Uso Después de instalar Python 3.10+ y el archivo de requisitos, los usuarios cargan un tokenizador y un modelo desde Hugging Face, instancian KronosPredictor con un valor max_context y llaman a predict con un DataFrame de pandas que contiene open, high, low, close (volumen y cantidad opcionales), además de series de timestamps históricos y futuros. El muestreo se controla mediante temperature, top_p y sample_count para el pronóstico probabilístico. Un método predict_batch admite predicción paralela en múltiples series, requiriendo longitudes de lookback y predicción iguales por serie; maneja la normalización y desnormalización por serie y utiliza paralelismo de GPU. Los scripts de ejemplo cubren la predicción con y sin datos de volumen/cantidad, y una demo en vivo visualiza un pronóstico de BTC/USDT de 24 horas. Ajuste fino y backtesting Se proporciona un pipeline de ajuste fino de cuatro pasos como demostración del mercado de acciones A construido sobre Qlib: configuración, preparación de datos, ajuste fino del tokenizador y predictor (multi-GPU mediante torchrun) y backtesting con una estrategia simple de top-K. El README lo enmarca explícitamente como una demostración simplificada en lugar de un sistema de trading cuantitativo listo para producción, señalando que los flujos de trabajo reales agregarían optimización de cartera, neutralización de factores de riesgo, modelado de costos de transacción y deslizamiento, y un dimensionamiento de posiciones más complejo. También señala que muchos comentarios en el directorio de ajuste fino fueron generados por IA y pueden contener imprecisiones. Licencia Publicado bajo la Licencia MIT.