Kronos 金融K线预测快速上手从蜡烛图数据到第一份价格预测【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 是首个面向金融K线蜡烛图序列的开源基础模型在 45 个以上全球交易所的数据上预训练。它能把一段历史K线变成未来若干根K线的 OHLCV 预测开盘、最高、最低、收盘价、成交量、成交额适合刚接触量化预测的新手、想给自有策略加时序预测能力的工程师以及个人投资者。它解决什么问题假设你手上有一只股票的 5 分钟K线数据想在半小时内得到一份可用的短期价格走势传统做法通常有三个绕不开的坎每个资产都要从头建模自己做特征工程、自己训练 LSTM 之类的时序网络模型换个标的往往要重训金融数据噪声极大单一尺度的固定窗口模型很难同时兼顾这根K线的形态和整段趋势通用时序基础模型大多把数据压成一条单维序列K线本身的开高低收结构信息丢失了。Kronos 的解法是两阶段框架先用专门的 Tokenizer 把多维K线数据量化成有层次结构的离散 token相当于把K线翻译成模型能读的语言再在这批 token 上用自回归 Transformer 做预训练。因为已经在海量市场数据上读过书你拿到的模型可以直接做预测也可以在自己数据上微调。快速上手10分钟跑通最小示例环境要求很简单Python 3.10装依赖只需要一条 pip 命令。克隆仓库并安装依赖git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt装好后直接看官方完整示例 examples/prediction_example.py。这个脚本会加载预训练模型、读取K线 CSV、执行预测并画图。跑通后你会看到一张收盘价与成交量的对比图蓝线是历史真实值红线是模型预测出来的未来走势。完整流程走一遍下面按数据 → 模型 → 微调 → 回测的真实链路走一遍完整流程。准备一份列名规范的K线CSVKronos 对输入的要求很克制一个 pandas DataFrame必含open、high、low、close四列外加一列时间戳volume成交量和amount成交额是可选的没有就填 0。仓库里自带了一份标准样例数据 finetune_csv/data/HK_ali_09988_kline_5min_all.csv港股阿里巴巴的 5 分钟K线可以直接当格式模板。加载预训练模型一行代码出预测结果仓库提供了现成的模型家族按参数量从 4.1M 到 102.3M 三档开源可选Kronos-mini / small / base从 Hugging Face Hub 下载。核心入口是KronosPredictor类它把数据预处理、归一化、预测、反归一化全包了你的代码基本只剩这几行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_ts, y_timestampy_ts, pred_len120)x_df是你选定的历史窗口y_timestamp是你想预测的未来时间点返回的pred_df就是未来每根K线的完整 OHLCV 预测。如果要批量预测多个标的还有predict_batch方法走 GPU 并行。用自己的行情微调一个专属模型可选直接预测能用但想贴近某个市场或周期建议微调。仓库给了两条路线finetune_csv/ 面向任意 CSV 数据改一份 YAML 配置模板见 finetune_csv/configs/config_ali09988_candle-5min.yaml后运行train_sequential.py自动按先微调 Tokenizer、再微调 Predictor的顺序训练finetune/ 则面向 A 股场景配合微软 Qlib 数据源做完整预处理、训练与回测。以阿里巴巴 5 分钟K线为例微调后模型在历史区间上的预测效果如下图所示红蓝两线在多数波段的形态上高度贴合。回测验证把预测变成可评估的策略预测准不准最终要看落到交易信号后的表现。A 股路线的 finetune/qlib_test.py 会加载微调好的模型在测试集上推理生成预测信号并跑一个 top-K 选股策略回测控制台输出绩效分析同时画出策略相对基准的累积收益曲线。这里要说实话官方明确标注该流程是简化演示并非生产级量化系统——真实策略还需要组合优化、风险因子中性化、交易成本与滑点建模这些在 README 的From Demo to Production一节有展开。实战笔记新手最容易踩的坑输入长度超过模型上下文现象预测质量莫名变差或结果不稳定。 原因Kronos-small 和 base 的最大上下文是 512 根K线超长输入会被截断你精心选的关键历史可能正好被切掉。 解法把回看窗口lookback控制在 512 以内确需更长历史可考虑上下文 2048 的 Kronos-mini。列名不规范或缺列现象predict直接报错或预测值对不上。 原因输入 DataFrame 必须精确包含open/high/low/close列名且时间戳要和行一一对应。 解法读入 CSV 后先df.columns检查一下缺volume/amount就补 0 列。Tokenizer 和模型版本不配对现象加载不报错但预测出来完全像乱画。 原因Kronos-mini 配套的是 Kronos-Tokenizer-2ksmall/base 配套的是 Kronos-Tokenizer-basetoken 体系不同混用就失效。 解法按 Model Zoo 对照表取对应版本的 Tokenizer。批量预测时序列长短不一致现象predict_batch调用失败。 原因它要求所有序列的历史长度lookback和预测长度pred_len完全相同。 解法批量前先统一截断/补齐到相同长度或拆成多个调用。写在最后Kronos 的价值在于把预测一根K线变成了开箱即用的几行代码预训练模型免去了从零训练的门槛两级微调流水线覆盖了从单标的 CSV 到 A 股全市场的工作流回测脚本则让结果能被量化地评估。如果你只想先看效果从 examples/prediction_example.py 跑起来即可要深入自己的数据再看 finetune_csv/README_CN.md 就够了。【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 金融K线预测快速上手：从蜡烛图数据到第一份价格预测
Kronos 金融K线预测快速上手从蜡烛图数据到第一份价格预测【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 是首个面向金融K线蜡烛图序列的开源基础模型在 45 个以上全球交易所的数据上预训练。它能把一段历史K线变成未来若干根K线的 OHLCV 预测开盘、最高、最低、收盘价、成交量、成交额适合刚接触量化预测的新手、想给自有策略加时序预测能力的工程师以及个人投资者。它解决什么问题假设你手上有一只股票的 5 分钟K线数据想在半小时内得到一份可用的短期价格走势传统做法通常有三个绕不开的坎每个资产都要从头建模自己做特征工程、自己训练 LSTM 之类的时序网络模型换个标的往往要重训金融数据噪声极大单一尺度的固定窗口模型很难同时兼顾这根K线的形态和整段趋势通用时序基础模型大多把数据压成一条单维序列K线本身的开高低收结构信息丢失了。Kronos 的解法是两阶段框架先用专门的 Tokenizer 把多维K线数据量化成有层次结构的离散 token相当于把K线翻译成模型能读的语言再在这批 token 上用自回归 Transformer 做预训练。因为已经在海量市场数据上读过书你拿到的模型可以直接做预测也可以在自己数据上微调。快速上手10分钟跑通最小示例环境要求很简单Python 3.10装依赖只需要一条 pip 命令。克隆仓库并安装依赖git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt装好后直接看官方完整示例 examples/prediction_example.py。这个脚本会加载预训练模型、读取K线 CSV、执行预测并画图。跑通后你会看到一张收盘价与成交量的对比图蓝线是历史真实值红线是模型预测出来的未来走势。完整流程走一遍下面按数据 → 模型 → 微调 → 回测的真实链路走一遍完整流程。准备一份列名规范的K线CSVKronos 对输入的要求很克制一个 pandas DataFrame必含open、high、low、close四列外加一列时间戳volume成交量和amount成交额是可选的没有就填 0。仓库里自带了一份标准样例数据 finetune_csv/data/HK_ali_09988_kline_5min_all.csv港股阿里巴巴的 5 分钟K线可以直接当格式模板。加载预训练模型一行代码出预测结果仓库提供了现成的模型家族按参数量从 4.1M 到 102.3M 三档开源可选Kronos-mini / small / base从 Hugging Face Hub 下载。核心入口是KronosPredictor类它把数据预处理、归一化、预测、反归一化全包了你的代码基本只剩这几行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_ts, y_timestampy_ts, pred_len120)x_df是你选定的历史窗口y_timestamp是你想预测的未来时间点返回的pred_df就是未来每根K线的完整 OHLCV 预测。如果要批量预测多个标的还有predict_batch方法走 GPU 并行。用自己的行情微调一个专属模型可选直接预测能用但想贴近某个市场或周期建议微调。仓库给了两条路线finetune_csv/ 面向任意 CSV 数据改一份 YAML 配置模板见 finetune_csv/configs/config_ali09988_candle-5min.yaml后运行train_sequential.py自动按先微调 Tokenizer、再微调 Predictor的顺序训练finetune/ 则面向 A 股场景配合微软 Qlib 数据源做完整预处理、训练与回测。以阿里巴巴 5 分钟K线为例微调后模型在历史区间上的预测效果如下图所示红蓝两线在多数波段的形态上高度贴合。回测验证把预测变成可评估的策略预测准不准最终要看落到交易信号后的表现。A 股路线的 finetune/qlib_test.py 会加载微调好的模型在测试集上推理生成预测信号并跑一个 top-K 选股策略回测控制台输出绩效分析同时画出策略相对基准的累积收益曲线。这里要说实话官方明确标注该流程是简化演示并非生产级量化系统——真实策略还需要组合优化、风险因子中性化、交易成本与滑点建模这些在 README 的From Demo to Production一节有展开。实战笔记新手最容易踩的坑输入长度超过模型上下文现象预测质量莫名变差或结果不稳定。 原因Kronos-small 和 base 的最大上下文是 512 根K线超长输入会被截断你精心选的关键历史可能正好被切掉。 解法把回看窗口lookback控制在 512 以内确需更长历史可考虑上下文 2048 的 Kronos-mini。列名不规范或缺列现象predict直接报错或预测值对不上。 原因输入 DataFrame 必须精确包含open/high/low/close列名且时间戳要和行一一对应。 解法读入 CSV 后先df.columns检查一下缺volume/amount就补 0 列。Tokenizer 和模型版本不配对现象加载不报错但预测出来完全像乱画。 原因Kronos-mini 配套的是 Kronos-Tokenizer-2ksmall/base 配套的是 Kronos-Tokenizer-basetoken 体系不同混用就失效。 解法按 Model Zoo 对照表取对应版本的 Tokenizer。批量预测时序列长短不一致现象predict_batch调用失败。 原因它要求所有序列的历史长度lookback和预测长度pred_len完全相同。 解法批量前先统一截断/补齐到相同长度或拆成多个调用。写在最后Kronos 的价值在于把预测一根K线变成了开箱即用的几行代码预训练模型免去了从零训练的门槛两级微调流水线覆盖了从单标的 CSV 到 A 股全市场的工作流回测脚本则让结果能被量化地评估。如果你只想先看效果从 examples/prediction_example.py 跑起来即可要深入自己的数据再看 finetune_csv/README_CN.md 就够了。【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