企业官网建设流程全解析

Kronos K线预测基础模型快速上手：3类真实产出+WebUI本地部署完整指南

【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

想用自己的行情数据跑一个 K 线预测模型，又不想从零搭训练流程？开源项目 Kronos 给出了一条现成路径：它是一个专为金融 K 线序列预训练的基础模型家族，覆盖 45 家以上全球交易所的行情数据，把 OHLCV（开高低收+成交量）数据编码成离散符号，再由自回归 Transformer 学习"下一根 K 线更可能长什么样"。论文已被 AAAI 2026 接收，模型权重与全部脚本开源。

这个模型到底能跑出什么：先看三类真实产出

结论先行：仓库里所有演示的输入数据、脚本、输出图都是现成的，你可以先"验收"效果再决定要不要装环境。

单标的价格与成交量预测。运行 examples/prediction_example.py 会画出一张上下双轴图：上方是历史收盘价（蓝）与预测收盘价（红）的衔接对比，下方是真实成交量与预测成交量的对照，预测区间长度默认 120 根 K 线：

微调后的策略回测曲线。走 finetune/ 的 Qlib 流程在 A 股日线数据上完成两阶段微调后，用 top-K 简单策略做回测，输出策略累计收益相对基准指数的曲线，用于评估模型信号是否有超额收益：

真实个股的预测图与分析报告。examples/yuce/ 目录保存了沪深个股（如 000021）的预测结果图，每只股票配套一份 JSON 分析报告，包含趋势判断、板块分析、宏观评分等字段，方便逐条核对模型对单只股票的输出细节：

本地跑起K线预测的两种入口

环境要求只有两条：Python 3.10+ 和一张能跑 PyTorch 的机器（CPU 也能跑，只是慢）。

git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt

入口一：WebUI 网页界面（零代码）。进入 webui/ 目录执行python run.py，浏览器打开http://localhost:7070即可。操作流程是：选择 CSV 数据文件 → 挑选模型规格与计算设备（CPU / CUDA / MPS）→ 拖动时间窗口（固定 400 历史 + 120 预测的数据点）→ 点击预测。数据文件只需包含open、high、low、close四列，volume、amount和时间戳列为可选。首次加载模型会从 Hugging Face 拉取权重，稍等片刻。

入口二：KronosPredictor 编程接口。直接from model import Kronos, KronosTokenizer, KronosPredictor加载预训练权重，predict方法接收历史 DataFrame、历史时间戳序列和未来时间戳序列，返回含全部 OHLCV 字段的预测 DataFrame。predict_batch方法可一次并行预测多只标的（要求各序列的历史长度与预测长度一致）。随机性通过三个参数调节：T（采样温度）、top_p（核采样概率）、sample_count（采样条数后取平均）。

💡 一个容易忽略的细节：small 和 base 的最大上下文是 512 根 K 线，历史窗口给太长会被KronosPredictor自动截断，给数据前先确认 lookback 不超这个值。

mini/small/base 参数怎么选 📊

项目放出三个规格的开源预训练模型，全部可从 Hugging Face Hub 直接加载：

选型建议很直白：先用 mini 把数据格式、脚本链路跑通，确认没有环境坑之后再换 small 或 base，避免一开始就被环境问题卡住。mini 的 2048 上下文适合喂更长的历史；small/base 则控制在 512 以内。

K线数据如何被模型读懂：两阶段架构

整条链路在 model/ 目录里实现，分两步：

1. 专用分词器（Tokenizer）：把连续的 OHLCV 数值量化成两层粗细不同的离散编码——粗粒度层捕捉整体形态，细粒度层保留局部细节，两层配合避免信息丢失。源码中对应encode/decode双向流程，且带可学习的码本熵约束，不是简单的等宽分箱。
2. 自回归 Transformer（Predictor）：在这些符号序列上做预训练，任务是"给定前面的符号，预测下一个符号"，本质和语言模型预测下一个词同构。这种架构对高噪声金融数据的容错性，优于直接回归价格数值的常规时序模型。

预测时，模型采样出未来符号序列再经 tokenizer 解码回 OHLCV 数值，T、top_p、sample_count正是控制这一步采样随机性的旋钮——多采几条路径取平均，输出会更稳。

三条进阶路线：按你的角色挑

只想验证效果的读者：WebUI 就是终点，界面自带 K 线图展示和预测值与实际值的误差对比分析，不用写一行代码。

有自己 CSV 数据的开发者：finetune_csv/ 提供改配置即训的微调流程——数据准备一份含 timestamps 和 OHLCV 列的 CSV（缺 volume/amount 可填 0），修改 finetune_csv/configs/ 下的 yaml 指定数据路径、回看窗口（默认 512）和预测窗口（默认 48），然后一条命令顺序训练 tokenizer 和 predictor：

cd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml

目录内置了阿里巴巴港股 09988 五分钟 K 线的完整示例，finetune_csv/examples/ 里就是微调后跑出的预测图。多卡环境可叠加torchrun做 DDP 加速。

量化研究者：finetune/ 是面向 Qlib 生态的脚本链：qlib_data_preprocess.py切分训练/验证/测试集，torchrun启动train_tokenizer.py与train_predictor.py两阶段训练，最后qlib_test.py --device cuda:0在测试集上推理并做 top-K 策略回测。所有路径与超参数集中在finetune/config.py里改。

边界说清楚：回测曲线离实盘还有多远 ⚠️

官方在 README 里明确声明：finetune/ 回测流水线只是演示，模型输出的是原始预测信号，不是可直接上场的交易系统。要从演示走到生产，至少还隔着组合优化、风险因子中性化（剥离市场 beta、风格暴露）、交易成本与滑点建模这一整套工程。

把预期摆正之后，Kronos 的价值就很清楚了：它把"读 K 线"这件依赖经验的事，收敛成分词量化加自回归预测一条可复现、可微调、可回测验证的链路，且每一步的权重、数据和脚本都摆在仓库里。对普通投资者，它是零门槛的预测可视化入口；对研究者，它是一个可以持续替换数据、叠加策略的基座——至于它预测的曲线值不值得下注，答案在你的回测里，而不是在这篇文章里。

【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