5分钟上手Kronos K线预测实战指南【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开盘九点半已经有一个程序读完了某只股票400根K线的全部历史输出的是接下来120根K线的完整曲线——开盘、最高、最低、收盘、成交量。这就是Kronos一个K线预测基础模型输入历史K线数据它逐根预测未来的K线不用写任何技术指标。它能做什么把K线图读懂再把下一段K线写出来Kronos首个开源的K线语言基础模型。它在超过45个全球交易所的数据上预训练覆盖股票、期货、加密资产采用MIT协议mini、small、base三档权重4.1M到102.3M参数全部开源。对应论文已被AAAI 2026接收作者是Yu Shi及其团队模型库与微调脚本仍在持续更新处于活跃维护状态。Kronos是怎么读懂K线的 技术内核可以概括成先翻译再预测把连续的K线数字翻译成离散token再让语言模型逐个写出未来的token。双粒度分词给K线定一套字符集把K线图想象成一句话要先定义它由哪些字组成。KronosTokenizer做的事正是这个位于model/module.py的BSQuantizer量化器把每根K线的开、高、低、收、量五维数字压缩成两级token——一级s1 token记录K线的粗形态涨跌、波动幅度二级s2 token记录细节。效果是K线数据变成了可被语言模型处理的token序列量化时整体趋势与局部波动都被保留下来。这张架构图展示了Kronos K线预测的完整流程分词器将OHLCV数据量化为粗、细两级token自回归Transformer再基于历史token生成未来K线自回归Transformer一根K线接一根地写作家写句子是一次写一个字前一个字约束下一个字Kronos主模型model/kronos.py中的decoder-only Transformer的工作方式与此一致。它把token当词汇表每步先预测一级的s1 token再基于s1预测细粒度的s2 token对应decode_s1与decode_s2两个函数逐步拼出完整的未来K线序列。这种设计让预测天然形成一条条路径生成多条路径取平均后结果比单点输出更稳。可控采样给预测加一个温度掷骰子时骰子的面数决定了结果的离散程度。Kronos把同样的机制给到了预测过程predictor.predict的T参数控制温度越高越随机、top_p控制核采样概率、sample_count控制采样几条预测路径再取平均。这3个参数在Web界面里同样可以调预测结果的不确定性因此是透明、可调节的。快速上手5分钟跑通第一条Kronos K线预测三条命令装好环境六行代码出第一条预测。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt需要Python 3.10依赖以PyTorch 2.0为核心。输入数据是一份CSV包含open、high、low、close四列volume与amount可选模型与分词器首次运行会自动从模型库下载from model import Kronos, KronosTokenizer, KronosPredictor tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512) pred_df predictor.predict(dfx_df, x_timestampx_timestamp, y_timestampy_timestamp, pred_len120)predict内部会完成预处理、归一化、推理、反归一化直接返回DataFrame。完整可运行脚本见examples/目录含绘图与真值对比跑出来就是下面这张图这张图是示例脚本的输出蓝色为收盘价与成交量的历史真值红色为Kronos K线预测结果预测曲线跟住了真值的趋势与波动幅度不想写代码直接用内置的Web界面。进入webui目录执行python run.py也可直接运行webui/app.pycd webui python run.py浏览器打开 http://localhost:7070然后三步①选择数据文件②选择模型档位mini/small/base与计算设备③拖动时间窗口滑条固定400根历史K线120根预测K线点击预测。从clone仓库到看见第一条预测曲线全程约5分钟。用数据说话Kronos K线预测的回测验证 先看数字再谈模型的预测成色。批量预测效率参考实现对沪深300全部成分股完成批量预测用时8分钟依赖predict_batch的GPU并行比串行处理快约5倍预测精度参考实现实测价格预测准确率89.2%趋势判断准确率94.5%回测表现在A股数据上微调后用简单的top-K策略做回测累计收益曲线持续跑赢CSI300基准超额收益持续为正峰值接近0.15。这张图是微调后的回测结果上图策略累计收益持续高于CSI300基准黑色虚线下图超额收益持续为正、峰值接近0.15个股层面examples/yuce/目录里有深科技000021等完整案例输出包含预测K线、成交量、波动率分析与市场因素综合评分这张图展示了深科技000021的综合预测预测K线与成交量曲线、波动分析、市场因素评分最终预测价19.31元被明确标出高频数据上仓库还给出了阿里巴巴港股5分钟K线的微调实例这张图展示了在阿里巴巴09988.HK5分钟K线上微调后的预测预测曲线的高频波动形态与历史K线贴合需要说明精度数字来自项目参考实现具体表现取决于数据质量与市场环境用之前请先用自己的数据回测。不同角色各拿各的用法三类用户各有一种用法。个人投资者从候选池筛选个股用predict输出的预测涨跌幅给候选股排序判断买卖时点把预测曲线与最近400根K线走势对齐重点看预测收盘价与现价的相对位置先跑历史回测用examples/里的回测脚本验证信号有效性再决定是否实盘量化开发者在自有数据上微调finetune_csv/ 提供单份CSV的一键微调管线分词器预测器集成进交易流程把DataFrame列表交给predict_batchGPU并行批量出预测调节预测质量通过T、top_p、sample_count控制随机性与路径数量机构团队用批量预测管理大资产组合单次跑完整个股票池为自有频率定制模型仓库内置5分钟高频K线的完整微调配置示例按算力灵活部署CPU、CUDA、MPS三类设备均受支持你大概会问的四个问题硬件、数据格式、精度、数据源是问得最多的四件事。Q配置要求高吗mini版4.1M参数在普通笔记本的CPU上即可运行批量预测与微调建议上GPUCUDA/MPS均可。Q数据格式有什么要求CSV需要timestamps列和open、high、low、close四列volume与amount可选缺失时填0即可。Q预测准确率能达到多少参考实现实测价格预测准确率89.2%、趋势判断94.5%所有预测都有不确定性用前务必回测验证。Q数据从哪里来Kronos不附带数据源可用akshare、tushare等开源库获取行情examples/目录里有现成的取数脚本。无论你是想搞懂AI K线工具的普通投资者还是要搭建预测管线的量化开发者Kronos都给出了一个完全开源的起点。模型输出只是辅助参考真实收益需要自己验证。去仓库里跑通第一条K线预测吧。【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