منصوبے کے بارے میں

Kronos کو مالیاتی کینڈل اسٹک (K-line) ڈیٹا کے لیے ایک اوپن سورس فاؤنڈیشن ماڈل کے طور پر پیش کیا گیا ہے، جسے 45 سے زائد عالمی ایکسچینجز کے ڈیٹا پر تربیت یافتہ بتایا گیا ہے۔ یہ پروجیکٹ AAAI 2026 میں قبول کیا گیا تھا، اور اس کا مقالہ arXiv پر دستیاب ہے۔ آرکیٹیکچر اور طریقہ کار Kronos ڈیکوڈر-صرف فاؤنڈیشن ماڈلز کا ایک خاندان ہے جو K-line سیکوینسز پر پہلے سے تربیت یافتہ ہے۔ اس کا دو مرحلہ فریم ورک پہلے ایک خصوصی ٹوکنائزر استعمال کرتا ہے تاکہ مسلسل کثیر جہتی OHLCV ڈیٹا کو درجہ بندی والے مجرد ٹوکنز میں تبدیل کیا جا سکے، پھر ان ٹوکنز پر ایک بڑے آٹوریگریسیو ٹرانسفارمر کو پہلے سے تربیت دیتا ہے تاکہ ایک ہی ماڈل متعدد مقداری کاموں کے لیے استعمال ہو سکے۔ مصنفین اسے مالیاتی ڈیٹا کی اعلی شور والی خصوصیات کے لیے ڈیزائن کیا گیا قرار دیتے ہیں، عام مقصد کے ٹائم سیریز فاؤنڈیشن ماڈلز کے برعکس۔ ماڈل زو پہلے سے تربیت یافتہ ماڈلز Hugging Face پر NeoQuasar تنظیم کے تحت تقسیم کیے جاتے ہیں: - Kronos-mini: Kronos-Tokenizer-2k، سیاق و سباق کی لمبائی 2048، 4.1M پیرامیٹرز۔ - Kronos-small: Kronos-Tokenizer-base، سیاق و سباق کی لمبائی 512، 24.7M پیرامیٹرز۔ - Kronos-base: Kronos-Tokenizer-base، سیاق و سباق کی لمبائی 512، 102.3M پیرامیٹرز۔ - Kronos-large: Kronos-Tokenizer-base، سیاق و سباق کی لمبائی 512، 499.2M پیرامیٹرز، جسے اوپن سورس نہیں کیا گیا ہے۔ استعمال Python 3.10+ اور requirements فائل انسٹال کرنے کے بعد، صارفین Hugging Face سے ایک ٹوکنائزر اور ماڈل لوڈ کرتے ہیں، max_context ویلیو کے ساتھ KronosPredictor کو انسٹنٹی ایٹ کرتے ہیں، اور open, high, low, close (volume اور amount اختیاری) پر مشتمل pandas DataFrame کے ساتھ predict کو کال کرتے ہیں، نیز تاریخی اور مستقبل کے ٹائم اسٹیمپ سیریز۔ سیمپلنگ کو temperature, top_p, اور sample_count کے ذریعے احتمالی پیش گوئی کے لیے کنٹرول کیا جاتا ہے۔ predict_batch طریقہ متعدد سیریز میں متوازی پیش گوئی کی حمایت کرتا ہے، جس میں ہر سیریز کے لیے برابر lookback اور پیش گوئی کی لمبائی درکار ہوتی ہے؛ یہ فی سیریز نارملائزیشن اور ڈی نارملائزیشن کو سنبھالتا ہے اور GPU متوازی استعمال کرتا ہے۔ مثال اسکرپٹس volume/amount ڈیٹا کے ساتھ اور بغیر پیش گوئی کا احاطہ کرتی ہیں، اور ایک لائیو ڈیمو 24 گھنٹے کے BTC/USDT پیش گوئی کو دکھاتا ہے۔ فائن ٹیوننگ اور بیک ٹیسٹنگ Qlib پر مبنی A-شیئر مارکیٹ ڈیمو کے طور پر چار مرحلہ فائن ٹیوننگ پائپ لائن فراہم کی گئی ہے: کنفیگریشن، ڈیٹا کی تیاری، ٹوکنائزر اور پیش گوئی کرنے والے کی فائن ٹیوننگ (torchrun کے ذریعے ملٹی-GPU)، اور ایک سادہ ٹاپ-K حکمت عملی کے ساتھ بیک ٹیسٹنگ۔ README واضح طور پر اسے پروڈکشن کے لیے تیار مقداری تجارتی نظام کے بجائے ایک آسان ڈیمو قرار دیتا ہے، نوٹ کرتے ہوئے کہ حقیقی ورک فلو میں پورٹ فولیو آپٹیمائزیشن، رسک فیکٹر نیوٹرلائزیشن، ٹرانزیکشن لاگت اور سلپیج ماڈلنگ، اور زیادہ پیچیدہ پوزیشن سائزنگ شامل ہوگی۔ یہ یہ بھی نوٹ کرتا ہے کہ فائن ٹیون ڈائریکٹری میں بہت سے تبصرے AI سے تیار کردہ ہیں اور ان میں غلطیاں ہو سکتی ہیں۔ لائسنسنگ MIT لائسنس کے تحت جاری کیا گیا۔