kronos

Kronos被介绍为面向金融蜡烛图（K线）数据的开源基础模型，据称在超过45个全球交易所的数据上进行了训练。该项目被AAAI 2026接收，论文可在arXiv上获取。 架构与方法 Kronos是一个仅在K线序列上预训练的仅解码器基础模型系列。其两阶段框架首先使用专门的分词器将连续的多维OHLCV数据量化为层次化离散token，然后在这些token上预训练一个大型自回归Transformer，使同一模型能够服务于多种量化任务。作者将其定位为针对金融数据高噪声特性而设计，与通用时间序列基础模型形成对比。 模型库 预训练模型通过Hugging Face上的NeoQuasar组织发布： - Kronos-mini：Kronos-Tokenizer-2k，上下文长度2048，4.1M参数。 - Kronos-small：Kronos-Tokenizer-base，上下文长度512，24.7M参数。 - Kronos-base：Kronos-Tokenizer-base，上下文长度512，102.3M参数。 - Kronos-large：Kronos-Tokenizer-base，上下文长度512，499.2M参数，未被开源。 用法 安装Python 3.10+和requirements文件后，用户从Hugging Face加载分词器和模型，使用max_context值实例化KronosPredictor，并调用predict传入包含开盘、最高、最低、收盘价（成交量和成交额可选）的pandas DataFrame，以及历史和未来时间戳序列。采样由temperature、top_p和sample_count控制，用于概率预测。predict_batch方法支持跨多个序列的并行预测，要求每个序列的回看长度和预测长度相等；它逐序列处理归一化和反归一化，并使用GPU并行。示例脚本涵盖有无成交量/成交额数据的预测，实时演示可视化24小时BTC/USDT预测。 微调与回测 提供了一个基于Qlib构建的四步微调流水线作为A股市场演示：配置、数据准备、分词器和预测器微调（通过torchrun实现多GPU），以及使用简单Top-K策略的回测。README明确将其定位为简化演示，而非生产级量化交易系统，指出实际工作流会增加投资组合优化、风险因子中性化、交易成本和滑点建模，以及更复杂的仓位管理。它还指出微调目录中的许多注释由AI生成，可能存在不准确之处。 许可 以MIT许可证发布。