kronos

Kronos é apresentado como um modelo fundacional de código aberto para dados financeiros de candlestick (K-line), descrito como treinado em dados de mais de 45 bolsas globais. O projeto foi aceito no AAAI 2026, e seu artigo está disponível no arXiv. Arquitetura e abordagem Kronos é uma família de modelos fundacionais apenas decoder pré-treinados em sequências de K-line. Sua estrutura de dois estágios primeiro usa um tokenizador especializado para quantizar dados OHLCV contínuos e multidimensionais em tokens discretos hierárquicos, depois pré-treina um grande Transformer autorregressivo nesses tokens, de modo que o mesmo modelo possa atender a múltiplas tarefas quantitativas. Os autores o posicionam como projetado para as características de alto ruído dos dados financeiros, em contraste com modelos fundacionais de séries temporais de propósito geral. Zoológico de modelos Os modelos pré-treinados são distribuídos via Hugging Face sob a organização NeoQuasar: - Kronos-mini: Kronos-Tokenizer-2k, comprimento de contexto 2048, 4,1M de parâmetros. - Kronos-small: Kronos-Tokenizer-base, comprimento de contexto 512, 24,7M de parâmetros. - Kronos-base: Kronos-Tokenizer-base, comprimento de contexto 512, 102,3M de parâmetros. - Kronos-large: Kronos-Tokenizer-base, comprimento de contexto 512, 499,2M de parâmetros, listado como não open-source. Uso Após instalar Python 3.10+ e o arquivo de requisitos, os usuários carregam um tokenizador e um modelo do Hugging Face, instanciam KronosPredictor com um valor max_context e chamam predict com um DataFrame pandas contendo open, high, low, close (volume e amount opcionais), além de séries de timestamps históricos e futuros. A amostragem é controlada por temperature, top_p e sample_count para previsão probabilística. Um método predict_batch suporta previsão paralela em múltiplas séries, exigindo comprimentos iguais de lookback e previsão por série; ele lida com normalização e desnormalização por série e usa paralelismo de GPU. Os scripts de exemplo cobrem previsão com e sem dados de volume/amount, e uma demo ao vivo visualiza uma previsão de BTC/USDT de 24 horas. Fine-tuning e backtesting Um pipeline de fine-tuning em quatro etapas é fornecido como uma demonstração no mercado A-share construída sobre Qlib: configuração, preparação de dados, fine-tuning do tokenizador e do preditor (multi-GPU via torchrun) e backtesting com uma estratégia simples top-K. O README enquadra explicitamente isso como uma demonstração simplificada, e não como um sistema de negociação quantitativa pronto para produção, observando que fluxos de trabalho reais adicionariam otimização de portfólio, neutralização de fatores de risco, modelagem de custos de transação e slippage, e dimensionamento de posição mais complexo. Também observa que muitos comentários no diretório finetune foram gerados por IA e podem conter imprecisões. Licenciamento Lançado sob a Licença MIT.