kronos

Kronosは、金融ローソク足（K線）データ向けのオープンソース基盤モデルとして紹介されており、45以上の世界の取引所のデータで学習されたと説明されています。このプロジェクトはAAAI 2026で採択され、論文はarXivで公開されています。 アーキテクチャとアプローチ Kronosは、K線シーケンスで事前学習されたデコーダーのみの基盤モデルファミリーです。その2段階フレームワークは、まず専用のトークナイザーを使用して連続的な多次元OHLCVデータを階層的な離散トークンに量子化し、次にそれらのトークンに対して大規模な自己回帰Transformerを事前学習することで、同じモデルが複数の定量タスクに利用できるようにします。著者らは、汎用の時系列基盤モデルとは対照的に、金融データの高ノイズ特性に合わせて設計されたと位置づけています。 モデル一覧 事前学習済みモデルは、NeoQuasar組織の下でHugging Faceから配布されています： - Kronos-mini: Kronos-Tokenizer-2k、コンテキスト長2048、パラメータ数4.1M。 - Kronos-small: Kronos-Tokenizer-base、コンテキスト長512、パラメータ数24.7M。 - Kronos-base: Kronos-Tokenizer-base、コンテキスト長512、パラメータ数102.3M。 - Kronos-large: Kronos-Tokenizer-base、コンテキスト長512、パラメータ数499.2M、オープンソース化されていないと記載。 使用方法 Python 3.10以上とrequirementsファイルをインストールした後、ユーザーはHugging Faceからトークナイザーとモデルを読み込み、max_context値を指定してKronosPredictorをインスタンス化し、open、high、low、close（volumeとamountは任意）と過去および将来のタイムスタンプ系列を含むpandas DataFrameを指定してpredictを呼び出します。サンプリングは、確率的予測のためのtemperature、top_p、sample_countによって制御されます。predict_batchメソッドは複数の系列に対する並列予測をサポートしており、各系列で同じルックバック長と予測長を必要とします。系列ごとの正規化と逆正規化を処理し、GPU並列処理を使用します。サンプルスクリプトは、volume/amountデータの有無にかかわらず予測をカバーし、ライブデモは24時間のBTC/USDT予測を可視化します。 ファインチューニングとバックテスト Qlib上に構築されたA株市場のデモとして、4ステップのファインチューニングパイプラインが提供されています：設定、データ準備、トークナイザーと予測器のファインチューニング（torchrunによるマルチGPU）、およびシンプルなtop-K戦略によるバックテストです。READMEは、これを本番向けの定量取引システムではなく簡略化されたデモと明示的に位置づけており、実際のワークフローではポートフォリオ最適化、リスクファクターの中立化、取引コストとスリッページのモデリング、より複雑なポジションサイズ設定が追加されると述べています。また、finetuneディレクトリ内のコメントの多くはAI生成であり、不正確な情報が含まれる可能性があるとも記載されています。 ライセンス MITライセンスの下で公開されています。