企业官网建设流程全解析

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/Kronos

Kronos 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。

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 0，examples/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 tokenizer：

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_context=512)

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

🔧 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