不自己搭模型跑通 K 线股票预测开源金融基础模型 Kronos 上手【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想让一段 K 线数据变成未来 N 期的价格与成交量预测又不想自己搭模型Kronos 是一个现成的选择——它是首个面向蜡烛图K 线的开源金融基础模型用 45 个以上全球交易所的数据做了预训练喂给它一个 CSV 就能给出未来区间的开、高、低、收和成交量。没有量化背景、不需要自行训练是它最大的价值。读一遍规格表选定合适的档位Kronos 是一组 decoder-only 自回归模型在 K 线 token 序列上预训练许可为 MIT对应论文被 AAAI 2026 接收。模型分四档按硬件挑模型参数量最大 K 线上下文开源情况Kronos-mini4.1M2048是Kronos-small24.7M512是Kronos-base102.3M512是Kronos-large499.2M512否mini 搭配 Tokenizer-2k其余用 Tokenizer-base。快速验证选 small 就够档位越大预测质量越高、吃硬件也越多。注意 small/base 的上下文是 512 根 K 线超出的历史数据会被预测器自动截断。喂一张 OHLCV 表拿到未来的预测曲线输入要求很朴素一份带open、high、low、close列的 CSVvolume、amount、时间戳可选再指定用多长的历史窗口、预测未来多少期。输出是一个未来各期的 DataFrame包含每期的开高低收与成交量。链路分两级tokenizer 先把连续的 OHLCV 数值量化成层级化离散 token——粗粒度子 token 管价格档位细粒度子 token 管细节——随后自回归 Transformer 从历史序列末端开始逐个 token 往后“接龙”最后把 token 解码回价格和成交量。官方示例脚本的产出蓝线是真实数据红线是模型对后 120 期的预测上下子图分别是收盘价与成交量。预测线能跟上价格的主趋势与波动节奏而不是一条平滑的平均线——因为每次预测都是一条带随机性的采样路径把sample_count调到 2~3 让多条路径取平均曲线会明显更稳。从 K 线到 token 再到生成输出的完整结构可对照官方架构图两步装好环境发起第一次预测调用环境要求不重Python 3.10、PyTorch 2.0其余依赖跟随仓库 requirements 文件。有 N 卡体验最好CPU 能跑 mini/small 档。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt核心调用就几行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) # x_df: 历史 OHLCV 表x_timestamp/y_timestamp: 过去与未来的时间戳 pred_df predictor.predict( dfx_df, x_timestampx_timestamp, y_timestampy_timestamp, pred_len120, T1.0, top_p0.9, sample_count2, )首次运行会从 Hugging Face 自动下载权重耐心等待。T是采样温度越低越保守top_p是核采样上限sample_count是生成几条路径再平均。带数据加载与绑图的完整脚本见 examples/prediction_example.py它读取 examples/data/ 下带 timestamps 列的 5 分钟 K 线 CSV需先自行放入数据文件没有成交量数据时用 examples/prediction_wo_vol_example.py。进浏览器试一把或拿自己的数据微调 不想写代码的话仓库自带网页版执行cd webui python run.py浏览器打开 http://localhost:7070 即可。支持 CSV、Feather 等格式时间窗口滑块固定 400 根历史加 120 根预测温度与采样参数可滑CPU、CUDA、MPS 都能跑还会自动给出预测值与真实值的误差统计详见 webui/README.md。 想让模型更贴近自己关注的市场有两条微调路线finetune/A 股日频 Qlib 管线按数据预处理、微调 tokenizer、微调主模型、回测四步走多卡可用 torchrun 并行训练finetune_csv/直接吃自己的 CSV一条python train_sequential.py --config 配置yaml顺序完成 tokenizer 与主模型两步训练说明见 finetune_csv/README_CN.md。在阿里巴巴港股 5 分钟 K 线上微调后的预测示例注意历史段与预测段的衔接微调完的模型还能做回测验证运行python finetune/qlib_test.py --device cuda:0在测试集上跑一个简单 Top-K 策略输出相对基准的累计收益曲线信任曲线之前先看清三条边界回测管线官方声明只是演示用的简化示例离生产级量化策略组合优化、风险因子中性化、交易成本与滑点建模还有距离别把演示回测当收益承诺模型输出是概率采样出来的路径不是确定性结论适合观察走势与做策略研究不能直接当买卖信号small/base 的回看窗口以上表为准更长的历史会被截断mini 支持 2048 根但预测质量低一档。照这三步做马上见到结果放好自己的 5 分钟 K 线 CSV 后运行 examples/prediction_example.py看到第一条预测曲线与真实值的对比启动cd webui python run.py换成自己股票的数据体验免代码预测与误差分析手里有单标的一年以上分钟级 K 线的参照 finetune_csv/configs/config_ali09988_candle-5min.yaml 调整数据路径做一次自己的微调。它给的是价格未来分布的一条采样路径当研究工具用就好别当成收益承诺。【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