kronos

Kronos est présenté comme un modèle de fondation open-source pour les données financières en chandeliers (K-line), décrit comme entraîné sur des données provenant de plus de 45 bourses mondiales. Le projet a été accepté à AAAI 2026, et son article est disponible sur arXiv. Architecture et approche Kronos est une famille de modèles de fondation decoder-only pré-entraînés sur des séquences de K-line. Son cadre en deux étapes utilise d'abord un tokenizer spécialisé pour quantifier les données OHLCV multidimensionnelles continues en jetons discrets hiérarchiques, puis pré-entraîne un grand Transformer autorégressif sur ces jetons afin que le même modèle puisse servir à plusieurs tâches quantitatives. Les auteurs le positionnent comme conçu pour les caractéristiques de bruit élevé des données financières, contrairement aux modèles de fondation de séries temporelles à usage général. Zoo de modèles Les modèles pré-entraînés sont distribués via Hugging Face sous l'organisation NeoQuasar : - Kronos-mini : Kronos-Tokenizer-2k, longueur de contexte 2048, 4,1 M de paramètres. - Kronos-small : Kronos-Tokenizer-base, longueur de contexte 512, 24,7 M de paramètres. - Kronos-base : Kronos-Tokenizer-base, longueur de contexte 512, 102,3 M de paramètres. - Kronos-large : Kronos-Tokenizer-base, longueur de contexte 512, 499,2 M de paramètres, répertorié comme non open-source. Utilisation Après avoir installé Python 3.10+ et le fichier des exigences, les utilisateurs chargent un tokenizer et un modèle depuis Hugging Face, instancient KronosPredictor avec une valeur max_context, et appellent predict avec un DataFrame pandas contenant open, high, low, close (volume et amount facultatifs), ainsi que des séries temporelles historiques et futures. L'échantillonnage est contrôlé par temperature, top_p et sample_count pour la prévision probabiliste. Une méthode predict_batch prend en charge la prédiction parallèle sur plusieurs séries, nécessitant des longueurs de lookback et de prédiction égales par série ; elle gère la normalisation et la dénormalisation par série et utilise le parallélisme GPU. Les scripts d'exemple couvrent la prédiction avec et sans données de volume/amount, et une démo en direct visualise une prévision BTC/USDT sur 24 heures. Affinage et backtesting Un pipeline d'affinage en quatre étapes est fourni comme démonstration sur le marché A-share, construit sur Qlib : configuration, préparation des données, affinage du tokenizer et du prédicteur (multi-GPU via torchrun), et backtesting avec une stratégie top-K simple. Le README présente explicitement cela comme une démonstration simplifiée plutôt qu'un système de trading quantitatif prêt pour la production, notant que les flux de travail réels ajouteraient l'optimisation de portefeuille, la neutralisation des facteurs de risque, la modélisation des coûts de transaction et du slippage, et un dimensionnement de position plus complexe. Il note également que de nombreux commentaires dans le répertoire finetune ont été générés par IA et peuvent contenir des inexactitudes. Licence Publié sous la licence MIT.