Kronos K线预测基础模型实战指南3 条命令跑通你的第一次股价预测【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/KronosKronos 是一个面向金融 K 线的开源基础模型在 45 个交易所的数据上训练。它把 OHLCV 蜡烛图变成 Transformer 能读的语言拿来就能预测未来的价格和成交量。读完本文你可以用 10 分钟在自己机器上跑通一条 K 线预测并看懂结果图是否可信。一句话看懂Kronos 是专门给金融 K 线做的 decoder-only 基础模型先用 tokenizer 把连续的 OHLCV 数据量化成层级化离散 token再在 token 上做自回归 Transformer 预训练。它不是通用时间序列模型而是针对金融数据高噪声特性专门设计的。维度传统做法Kronos建模方式手工指标MA/MACD逐市场调参一次预训练覆盖 45 交易所跨市场泛化输入单一价格列或指标序列OHLCV 多维 K 线整根喂入上下文长度受方法本身限制5122048 根 K 线看模型规格输出点估计T/top_p 可控采样支持多条预测路径它替你省掉什么手工拼时序预测流水线。自己做时间序列模型归一化、窗口对齐、超长截断、反归一化每样都要写每样都可能埋坑。Kronos 用KronosPredictor类把这些全收进去了你只传一个 DataFrame 和两段时间戳序列剩下的预处理到反归一化全由它处理。多标的逐个跑的等待时间。回测或扫全市场时逐只股票推理太慢。predict_batch在 GPU 上并行处理一个序列列表返回顺序与输入一致前提是每条序列的 lookback 和 pred_len 相同。没有成交量的数据源。指数、部分海外数据拿不到 volume。这里 volume、amount 是可选列缺失时自动填 0examples/目录里有配套的无成交量示例脚本不用为缺数据换模型。 最快上手路径环境要求Python 3.10、PyTorch 2.0。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt执行完你会看到依赖逐个安装完成核心是 torch、pandas、matplotlib、huggingface_hub 这几个包。然后在 Python 里加载模型和 tokenizerfrom 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)执行完你会看到 24.7M 参数的 small 模型和 tokenizer 从 Hugging Face 拉到本地缓存predictor 实例就绪。最后跑完整示例脚本取 400 根历史 K 线、预测后 120 根cd examples python prediction_example.py执行完你会看到终端打印预测 DataFrame 的头部并弹出双面板对比图上板收盘价、下板成交量。注意脚本读取的是./data/XSHG_5min_600977.csv这个 CSV 不在仓库里你需要自备一份同列名的 K 线数据或换成自己的文件路径。 结果怎么读才算靠谱上板是收盘价、下板是成交量蓝线 Ground Truth 是真实值红线 Prediction 是最后 120 根区间的预测。三条判读标准不要求预测线贴住真实曲线看方向和波动带。示例里真实值在谷底后横盘预测却往上走——方向判断错了但幅度仍落在历史价格区间内这是可以接受的误差形态预测成交量的量级必须与历史同档。图中历史成交量大多在 1000 左右预测也在同一量级如果放大几倍或塌到 0先怀疑采样参数把sample_count调大跑多条路径如果各条预测分歧很大说明这条信号置信度低只适合研究、不适合直接定仓位回测图是另一个维度的证据优先看下板累计超额收益这是相对 CSI300 基准的净价值上板累计收益会被大盘整体行情带着走四条曲线对应不同采样参数last/mean/max/min。min 那条也站在基准上方说明信号对采样参数不敏感比较稳上板前段的回撤约 -0.1不用单独恐慌对照横轴时间看基准同期是否同跌2024 年初整段都在跌⚠️ 避坑清单坑现象解法上下文超限结果比预期短视Kronos-small/base 最大上下文 512lookback 超过会被自动截断要长上下文选 Kronos-mini2048数据列不齐predict 报错或结果异常open/high/low/close 四列必填volume、amount 可缺缺失填 0示例缺数据文件FileNotFoundError仓库不附带示例 CSV自备 K 线数据并确认脚本读的是你的路径环境版本import torch 失败requirements.txt 锁定 torch2.0.0、pandas 2.2.2别用旧版 PyTorch批量预测错位结果和标的对不上号predict_batch 要求所有序列 lookback、pred_len 完全一致 进阶方向架构上左侧管道用 BSQ 向量量化把每根 K 线映射成粗粒度 细粒度两层子 token右侧 N 层 Causal Transformer Block 做自回归预训练两头解耦所以噪声大的金融序列也能稳定建模。三个可以立刻动手的延伸用自己的市场数据微调仓库内置两条微调流水线CSV 数据走finetune_csv/train_sequential.py 一条命令先训 tokenizer 再训 predictor附港股 09988 五分钟的示例配置和产出图A 股 Qlib 全流程finetune/目录按预处理 → 训 tokenizer → 训 predictor → qlib_test 回测四步组织最后一步自动出 top-K 策略回测和上图那张收益曲线换预测参数先调 T、top_p、sample_count 看多路径分歧再决定要不要微调顺序别反Kronos 的价值在于几十行代码就能把 K 线变成可判读的多维预测代价只是四列数据和 512 的上下文限制。下一步挑一只你熟悉的股票拉一年 5 分钟数据按最快上手路径跑一遍——等你能独立判读预测图和回测图这两类图再进入微调环节。【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 Kronos K线预测基础模型实战指南：3 条命令跑通你的第一次股价预测
Kronos K线预测基础模型实战指南3 条命令跑通你的第一次股价预测【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/KronosKronos 是一个面向金融 K 线的开源基础模型在 45 个交易所的数据上训练。它把 OHLCV 蜡烛图变成 Transformer 能读的语言拿来就能预测未来的价格和成交量。读完本文你可以用 10 分钟在自己机器上跑通一条 K 线预测并看懂结果图是否可信。一句话看懂Kronos 是专门给金融 K 线做的 decoder-only 基础模型先用 tokenizer 把连续的 OHLCV 数据量化成层级化离散 token再在 token 上做自回归 Transformer 预训练。它不是通用时间序列模型而是针对金融数据高噪声特性专门设计的。维度传统做法Kronos建模方式手工指标MA/MACD逐市场调参一次预训练覆盖 45 交易所跨市场泛化输入单一价格列或指标序列OHLCV 多维 K 线整根喂入上下文长度受方法本身限制5122048 根 K 线看模型规格输出点估计T/top_p 可控采样支持多条预测路径它替你省掉什么手工拼时序预测流水线。自己做时间序列模型归一化、窗口对齐、超长截断、反归一化每样都要写每样都可能埋坑。Kronos 用KronosPredictor类把这些全收进去了你只传一个 DataFrame 和两段时间戳序列剩下的预处理到反归一化全由它处理。多标的逐个跑的等待时间。回测或扫全市场时逐只股票推理太慢。predict_batch在 GPU 上并行处理一个序列列表返回顺序与输入一致前提是每条序列的 lookback 和 pred_len 相同。没有成交量的数据源。指数、部分海外数据拿不到 volume。这里 volume、amount 是可选列缺失时自动填 0examples/目录里有配套的无成交量示例脚本不用为缺数据换模型。 最快上手路径环境要求Python 3.10、PyTorch 2.0。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt执行完你会看到依赖逐个安装完成核心是 torch、pandas、matplotlib、huggingface_hub 这几个包。然后在 Python 里加载模型和 tokenizerfrom 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)执行完你会看到 24.7M 参数的 small 模型和 tokenizer 从 Hugging Face 拉到本地缓存predictor 实例就绪。最后跑完整示例脚本取 400 根历史 K 线、预测后 120 根cd examples python prediction_example.py执行完你会看到终端打印预测 DataFrame 的头部并弹出双面板对比图上板收盘价、下板成交量。注意脚本读取的是./data/XSHG_5min_600977.csv这个 CSV 不在仓库里你需要自备一份同列名的 K 线数据或换成自己的文件路径。 结果怎么读才算靠谱上板是收盘价、下板是成交量蓝线 Ground Truth 是真实值红线 Prediction 是最后 120 根区间的预测。三条判读标准不要求预测线贴住真实曲线看方向和波动带。示例里真实值在谷底后横盘预测却往上走——方向判断错了但幅度仍落在历史价格区间内这是可以接受的误差形态预测成交量的量级必须与历史同档。图中历史成交量大多在 1000 左右预测也在同一量级如果放大几倍或塌到 0先怀疑采样参数把sample_count调大跑多条路径如果各条预测分歧很大说明这条信号置信度低只适合研究、不适合直接定仓位回测图是另一个维度的证据优先看下板累计超额收益这是相对 CSI300 基准的净价值上板累计收益会被大盘整体行情带着走四条曲线对应不同采样参数last/mean/max/min。min 那条也站在基准上方说明信号对采样参数不敏感比较稳上板前段的回撤约 -0.1不用单独恐慌对照横轴时间看基准同期是否同跌2024 年初整段都在跌⚠️ 避坑清单坑现象解法上下文超限结果比预期短视Kronos-small/base 最大上下文 512lookback 超过会被自动截断要长上下文选 Kronos-mini2048数据列不齐predict 报错或结果异常open/high/low/close 四列必填volume、amount 可缺缺失填 0示例缺数据文件FileNotFoundError仓库不附带示例 CSV自备 K 线数据并确认脚本读的是你的路径环境版本import torch 失败requirements.txt 锁定 torch2.0.0、pandas 2.2.2别用旧版 PyTorch批量预测错位结果和标的对不上号predict_batch 要求所有序列 lookback、pred_len 完全一致 进阶方向架构上左侧管道用 BSQ 向量量化把每根 K 线映射成粗粒度 细粒度两层子 token右侧 N 层 Causal Transformer Block 做自回归预训练两头解耦所以噪声大的金融序列也能稳定建模。三个可以立刻动手的延伸用自己的市场数据微调仓库内置两条微调流水线CSV 数据走finetune_csv/train_sequential.py 一条命令先训 tokenizer 再训 predictor附港股 09988 五分钟的示例配置和产出图A 股 Qlib 全流程finetune/目录按预处理 → 训 tokenizer → 训 predictor → qlib_test 回测四步组织最后一步自动出 top-K 策略回测和上图那张收益曲线换预测参数先调 T、top_p、sample_count 看多路径分歧再决定要不要微调顺序别反Kronos 的价值在于几十行代码就能把 K 线变成可判读的多维预测代价只是四列数据和 512 的上下文限制。下一步挑一只你熟悉的股票拉一年 5 分钟数据按最快上手路径跑一遍——等你能独立判读预测图和回测图这两类图再进入微调环节。【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