kronos

Kronos представлен как открытая foundation-модель для финансовых свечных данных (K-line), обученная, согласно описанию, на данных более чем 45 мировых бирж. Проект был принят на AAAI 2026, а его статья доступна на arXiv. Архитектура и подход Kronos — это семейство foundation-моделей типа decoder-only, предобученных на K-line последовательностях. Его двухэтапная структура сначала использует специализированный токенизатор для квантования непрерывных многомерных данных OHLCV в иерархические дискретные токены, а затем предобучает большую авторегрессионную модель Transformer на этих токенах, чтобы одна и та же модель могла обслуживать несколько количественных задач. Авторы позиционируют её как разработанную с учётом высокого уровня шума в финансовых данных, в отличие от универсальных временных foundation-моделей. Зоопарк моделей Предобученные модели распространяются через Hugging Face в организации NeoQuasar: - Kronos-mini: Kronos-Tokenizer-2k, длина контекста 2048, 4,1M параметров. - Kronos-small: Kronos-Tokenizer-base, длина контекста 512, 24,7M параметров. - Kronos-base: Kronos-Tokenizer-base, длина контекста 512, 102,3M параметров. - Kronos-large: Kronos-Tokenizer-base, длина контекста 512, 499,2M параметров, указан как не открытый. Использование После установки Python 3.10+ и файла зависимостей пользователи загружают токенизатор и модель с Hugging Face, создают экземпляр KronosPredictor с значением max_context и вызывают predict с pandas DataFrame, содержащим open, high, low, close (volume и amount необязательны), а также последовательности исторических и будущих временных меток. Сэмплирование управляется параметрами temperature, top_p и sample_count для вероятностного прогнозирования. Метод predict_batch поддерживает параллельное прогнозирование нескольких рядов, требуя одинаковой длины истории и прогноза для каждого ряда; он обрабатывает нормализацию и денормализацию для каждого ряда и использует параллелизм GPU. Примеры скриптов охватывают прогнозирование с данными volume/amount и без них, а живая демонстрация визуализирует 24-часовой прогноз BTC/USDT. Дообучение и бэктестинг Предоставляется четырехэтапный конвейер дообучения в качестве демонстрации для рынка A-акций, построенный на Qlib: конфигурация, подготовка данных, дообучение токенизатора и предсказателя (multi-GPU через torchrun) и бэктестинг с простой стратегией top-K. В README явно указано, что это упрощенная демонстрация, а не готовая к производству система количественной торговли, отмечая, что в реальных рабочих процессах были бы добавлены оптимизация портфеля, нейтрализация риск-факторов, моделирование транзакционных издержек и проскальзывания, а также более сложное управление размером позиции. Также отмечается, что многие комментарии в каталоге finetune были созданы ИИ и могут содержать неточности. Лицензирование Выпущено под лицензией MIT.