Kronos：金融市场语言的基础模型

Kronos 是第一个金融烛台（K 线）的开源基础模型， 根据来自超过 45 个全球交易所的数据进行训练。

• 🚩 [2025.08.17] 发布微调脚本！查看它们以使 Kronos 适应您自己的任务。
• 🚩 [2025.08.02] 我们的论文现已在arXiv上发布！

Kronos 是一系列仅解码器的基础模型，专门针对金融市场的“语言”（K 线序列）进行了预训练。与通用 TSFM 不同，Kronos 旨在处理财务数据的独特、高噪声特性。它利用了一个新颖的两阶段框架：

1. 专门的分词器首先将连续的多维 K 线数据 （OHLCV） 量化为分层离散标记。
2. 然后，在这些标记上预训练一个大型的自回归 Transformer，使其能够作为不同定量任务的统一模型。

我们设置了一个现场演示来可视化 Kronos 的预测结果。该网页展示了未来 24 小时内 BTC/USDT 交易对的预测。

👉 在此处访问现场演示

我们发布了一系列具有不同容量的预训练模型，以满足不同的计算和应用需求。所有型号都可以从 Hugging Face Hub 轻松访问。

1. 安装 Python 3.10+，然后安装依赖项：

pip install -r requirements.txt

使用该类使用 Kronos 进行预测非常简单。它处理数据预处理、规范化、预测和逆规范化，让您只需几行代码即可从原始数据获得预测。KronosPredictor

重要提示：for 和是 512。这是模型可以处理的最大序列长度。为了获得最佳性能，建议您的输入数据长度（即 ）不要超过此限制。将自动处理较长上下文的截断。max_contextKronos-smallKronos-baselookbackKronosPredictor

这是进行第一次预测的分步指南。

首先，从 Hugging Face Hub 加载一个预训练的 Kronos 模型及其相应的分词器。

from model import Kronos, KronosTokenizer, KronosPredictor

# Load from Hugging Face Hub
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

创建 的实例，传递模型、分词器和所需设备。KronosPredictor

# Initialize the predictor
predictor = KronosPredictor(model, tokenizer, device="cuda:0", max_context=512)

该方法需要三个主要输入：predict

• df：包含历史 K 线数据的 pandas DataFrame。它必须包含列 。并且是可选的。['open', 'high', 'low', 'close']volumeamount
• x_timestamp：与 中的历史数据相对应的 pandas 系列时间戳。df
• y_timestamp：要预测的未来时间段的 pandas 时间戳系列。

import pandas as pd

# Load your data
df = pd.read_csv("./data/XSHG_5min_600977.csv")
df['timestamps'] = pd.to_datetime(df['timestamps'])

# Define context window and prediction length
lookback = 400
pred_len = 120

# Prepare inputs for the predictor
x_df = df.loc[:lookback-1, ['open', 'high', 'low', 'close', 'volume', 'amount']]
x_timestamp = df.loc[:lookback-1, 'timestamps']
y_timestamp = df.loc[lookback:lookback+pred_len-1, 'timestamps']

调用该方法以生成预测。您可以使用 、 和 等参数控制抽样过程，以进行概率预测。predictTtop_psample_count

# Generate predictions
pred_df = predictor.predict(
    df=x_df,
    x_timestamp=x_timestamp,
    y_timestamp=y_timestamp,
    pred_len=pred_len,
    T=1.0,          # Temperature for sampling
    top_p=0.9,      # Nucleus sampling probability
    sample_count=1  # Number of forecast paths to generate and average
)

print("Forecasted Data Head:")
print(pred_df.head())

该方法返回一个 pandas DataFrame，其中包含由您提供的索引的 、 、 和 的预测值。predictopenhighlowclosevolumeamounty_timestamp

为了高效处理多个时间序列，Kronos 提供了一种可以同时对多个数据集进行并行预测的方法。当您需要一次预测多个资产或时间段时，这特别有用。predict_batch

# Prepare multiple datasets for batch prediction
df_list = [df1, df2, df3]  # List of DataFrames
x_timestamp_list = [x_ts1, x_ts2, x_ts3]  # List of historical timestamps
y_timestamp_list = [y_ts1, y_ts2, y_ts3]  # List of future timestamps

# Generate batch predictions
pred_df_list = predictor.predict_batch(
    df_list=df_list,
    x_timestamp_list=x_timestamp_list,
    y_timestamp_list=y_timestamp_list,
    pred_len=pred_len,
    T=1.0,
    top_p=0.9,
    sample_count=1,
    verbose=True
)

# pred_df_list contains prediction results in the same order as input
for i, pred_df in enumerate(pred_df_list):
    print(f"Predictions for series {i}:")
    print(pred_df.head())

批量预测的重要要求：

• 所有系列必须具有相同的历史长度（回溯窗口）
• 所有序列必须具有相同的预测长度 （pred_len)
• 每个 DataFrame 必须包含所需的列：['open', 'high', 'low', 'close']
• volume列是可选的，如果缺少，将用零填充amount

该方法利用 GPU 并行性进行高效处理，并自动独立处理每个系列的归一化和非规范化。predict_batch

有关包含数据加载、预测和绘图的完整、可运行的脚本，请参阅 examples/prediction_example.py。

运行此脚本将生成一个图，将基本实况数据与模型的预测进行比较，类似于如下所示：

此外，我们还提供了一个脚本，可以在没有数量和数量数据的情况下进行预测，这些数据可以在示例/prediction_wo_vol_example.py中找到。

我们提供了一个完整的管道，用于在您自己的数据集上微调 Kronos。例如，我们演示了如何使用 Qlib 准备来自中国 A 股市场的数据并进行简单的回测。

免責聲明：此管道旨在演示说明微调过程。这是一个简化的示例，而不是一个生产就绪的量化交易系统。稳健的量化策略需要更复杂的技术，例如投资组合优化和风险因素中和，以实现稳定的阿尔法。

微调过程分为四个主要步骤：

1. 配置：设置路径和超参数。
2. 数据准备：使用 Qlib 处理和拆分数据。
3. 模型微调：微调分词器和预测器模型。
4. 回测：评估微调模型的性能。

1. 首先，确保您已安装所有依赖项。requirements.txt
2. 此管道依赖于 .请安装：qlib

     pip install pyqlib

3. 您需要准备 Qlib 数据。按照官方 Qlib 指南在本地下载和设置您的数据。示例脚本假定您使用的是每日频率数据。

数据、训练和模型路径的所有设置都集中在 中。在运行任何脚本之前，请根据您的环境修改以下路径：finetune/config.py

• qlib_data_path：本地 Qlib 数据目录的路径。
• dataset_path：将保存已处理的训练/验证/测试 pickle 文件的目录。
• save_path：用于保存模型检查点的基本目录。
• backtest_result_path：用于保存回测结果的目录。
• pretrained_tokenizer_path和 ：要从中开始的预训练模型的路径（可以是本地路径或 Hugging Face 模型名称）。pretrained_predictor_path

您还可以调整其他参数，例如 、 、 和 以适应您的特定任务。如果您不使用 Comet.ml，请设置 .instrumenttrain_time_rangeepochsbatch_sizeuse_comet = False

运行数据预处理脚本。此脚本将从 Qlib 目录加载原始市场数据，对其进行处理，将其拆分为训练集、验证集和测试集，并将它们另存为腌菜文件。

python finetune/qlib_data_preprocess.py

运行后，您将在配置中指定的目录中找到 、 和 。train_data.pklval_data.pkltest_data.pkldataset_path

微调过程包括两个阶段：微调分词器，然后是预测器。这两个训练脚本都是为使用 .torchrun

此步骤会根据特定域的数据分布调整分词器。

# Replace NUM_GPUS with the number of GPUs you want to use (e.g., 2)
torchrun --standalone --nproc_per_node=NUM_GPUS finetune/train_tokenizer.py

最佳分词器检查点将保存到（派生自 和 ）中配置的路径。config.pysave_pathtokenizer_save_folder_name

此步骤微调预测任务的主 Kronos 模型。

# Replace NUM_GPUS with the number of GPUs you want to use (e.g., 2)
torchrun --standalone --nproc_per_node=NUM_GPUS finetune/train_predictor.py

最佳预测器检查点将保存到 中配置的路径。config.py

最后，运行回测脚本来评估微调后的模型。该脚本加载模型，对测试集执行推理，生成预测信号（例如，预测的价格变化），并运行一个简单的 top-K 策略回测。

# Specify the GPU for inference
python finetune/qlib_test.py --device cuda:0

该脚本将在您的控制台中输出详细的绩效分析，并生成一个图，显示您的策略相对于基准的累积回报曲线，类似于以下图：

• 原始信号与纯 Alpha：此演示中模型生成的信号是原始预测。在现实世界的定量工作流程中，这些信号通常会被输入到投资组合优化模型中。该模型将应用约束来抵消常见风险因素（例如，市场贝塔值、规模和价值等风格因素）的风险敞口，从而隔离“纯阿尔法”并提高策略的稳健性。
• 数据处理：提供的是一个示例。对于不同的数据源或格式，您需要调整数据加载和预处理逻辑。QlibDataset
• 策略和回测复杂性：这里使用的简单 top-K 策略是一个基本起点。生产级策略通常包含更复杂的投资组合构建、动态头寸规模和风险管理（例如止损/止盈规则）的逻辑。此外，高保真回测应仔细模拟交易成本、滑点和市场影响，以更准确地估计实际表现。

📝 人工智能生成的注释：请注意，目录中的许多代码注释是由人工智能助手（Gemini 2.5 Pro）出于解释目的生成的。虽然它们旨在提供帮助，但它们可能包含不准确之处。我们建议将代码本身视为逻辑的最终来源。finetune/

  此处内容已隐藏，请评论后刷新页面查看.