开源 K线预测模型 Kronos45 个交易所数据背后的股票预测基础模型【免费下载链接】KronosKronos: A Foundation Model for the Language of Financial Markets项目地址: https://gitcode.com/GitHub_Trending/kronos14/Kronos本文介绍的开源 K线预测项目Kronos 股票预测模型在 45 个以上全球交易所的 K线数据上预训练。它把开盘、最高、最低、收盘、成交量OHLCV序列量化为离散 token再用自回归 Transformer 逐点预测未来 K线。流程全部开源可在本地复现。它解决什么问题从选股与量化流程看直接拿 K线数据做预测有三个难点维度多难以统一处理。一根 K线带 open、high、low、close、volume 五个字段量纲与分布各不相同。传统指标方法一次只看一维再人工拼接容易丢掉维度间的联动。Kronos 的 tokenizer 把五维数据作为一组整体做量化天然保留这种耦合关系。噪音大模型容易过拟合。金融序列是高噪音数据通用时间序列基础模型直接套用并不理想。README 中说明 Kronos 是专门为金融 K线的高噪音特性预训练的 decoder-only 基础模型而非通用 TSFM。人工反应慢无法批量。逐只画图、看线花费的时间放到数千只股票上就不可行。Kronos 提供predict_batch接口借助 GPU 并行同时预测多条序列且每条序列独立做归一化与反归一化。原理速览Kronos 是两阶段设计可以理解为先把 K线翻译成词再让语言模型续写K线标记化。tokenizer 的编码器对 OHLCV 做 BSQ 量化把每根 K线拆成粗粒度 细粒度两层子 token粗粒度刻画整体形态细粒度保留价格与成交量细节解码器能用 token 重构回 K线保证信息没有丢。自回归预测。token 序列上堆叠因果 Transformer 块粗、细粒度 token 之间通过交叉注意力交互。由于使用因果掩码预测下一步时只能依赖更早的 token训练与推理都看不到未来数据——这与真实交易场景一致下单时刻永远只有历史可用。核心实现在 model/kronos.pyTransformer 块结构在 model/module.py。效果怎么验证回测收益怎么看仓库随微调流水线A股数据由 finetune/qlib_test.py 生成给出回测图。上下两个面板各含 last / mean / max / min 四条采样曲线上方面板带成本的累计收益区间为 2024-07 至 2025-06。四条策略曲线在 2024 年 10 月后整体位于 CSI300 基准虚线之上2025 年 4 月前后出现一次明显回撤随后再度拉开差距。下方面板带成本的累计超额收益2024 年 10 月后持续上行四条曲线末端大致分布在 0.05 到 0.15 之间。需要说明README 明确写这段流水线只是简化示例不是生产级量化系统。单股价格与成交量预测对比示例脚本用 400 根历史 K线预测未来 120 根产出对比图红为预测蓝为真实值收盘价与成交量分上下两幅。图中可以看到预测并非每一段都与真实吻合。尾段收盘价预测曲线抬升到 11.3 附近而真实值停在 10.9 上下偏差随预测步长增大而放大。成交量预测与真实值在量级和峰值位置上更接近一些但单根尖峰仍有偏移。仓库没有给出固定准确率数字验证方式就是拿同样的历史窗口自己跑一遍把预测值和真实值画在一起比较。三步跑起来Kronos 安装与数据准备git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt要求 Python 3.10 及以上。数据准备一份带 timestamps 列和 open / high / low / close 列的 CSVvolume、amount 可选。注意 small 与 base 模型的最大上下文长度是 512历史窗口建议不超过 512 根更长会被自动截断。执行预测运行 examples/prediction_example.py 即可完成加载模型 → 调用KronosPredictor.predict→ 输出对比图的完整流程若数据没有量价字段用 examples/prediction_wo_vol_example.py 即可采样参数T、top_p、sample_count都可在 predict 调用中调节。进阶玩法A股微调finetune/ 提供四步流水线改config.py路径 →qlib_data_preprocess.py切分数据 → 用 torchrun 依次微调 tokenizer 与 predictor →qlib_test.py回测。依赖pyqlib示例基于 Qlib 的日线数据。自定义 CSV 微调finetune_csv/ 支持拿单个 CSV 直接训练仓库示例是阿里巴巴港股 09988的 5 分钟 K线train_sequential.py一条命令顺序完成两阶段训练也支持多卡 DDP。高频与批量场景5 分钟级数据按同样 CSV 格式喂入即可其他频率只需换数据粒度整池股票筛选用predict_batch前提是所有序列历史长度与预测长度一致。适合谁 / 使用注意适合三类人想动手试 K线序列建模的量化新手、评估时间序列基础模型的研究者以及要把并行预测接口嵌进选股流程的开发者。模型权重提供 mini / small / base 三档4.1M / 24.7M / 102.3M 参数显存有限可从 mini 起步。使用注意模型输出是统计意义上的推断预测结果不构成任何投资建议。仓库自己也写明回测只是简化演示要变成可用策略还需组合优化、风险因子中性化并认真建模交易成本、滑点与市场冲击。下一步可以这样做从 examples/prediction_example.py 跑出第一个预测需要浏览器界面时参考 webui/启动后访问本地 7070 端口项目采用 MIT 协议开源对应论文题为 Kronos: A Foundation Model for the Language of Financial Markets。【免费下载链接】KronosKronos: A Foundation Model for the Language of Financial Markets项目地址: https://gitcode.com/GitHub_Trending/kronos14/Kronos创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
