Kronos：金融市场的语言基础模型

这是什么

Kronos 是由 shiyu-coder 团队开发的全球首个开源金融 K 线（Candlesticks）基础模型（Foundation Model）。该项目在 GitHub 上已获得 26,858+ Star，并于 2025 年 11 月被 AAAI 2026 接收。

Kronos 是一个基于解码器（Decoder-only）架构的模型家族，专门针对金融市场的“语言”——即 K 线序列进行预训练。其训练数据覆盖全球 45 多个主要交易所，旨在处理金融数据特有的高噪声和非平稳特性。不同于通用的时间序列基础模型（TSFMs），Kronos 通过独特的两阶段框架，将连续的、多维度的 OHLCV（开盘价、最高价、最低价、收盘价、成交量）数据量化为分层离散 Token，进而利用大型自回归 Transformer 进行预训练，使其成为统一处理多种量化任务的基座模型。

解决的问题

传统金融时间序列预测面临以下核心痛点，Kronos 旨在逐一攻克：

1. 数据的高噪声与非平稳性：金融数据受宏观政策、市场情绪等多重因素影响，波动剧烈且分布随时间变化。通用模型往往难以捕捉这种复杂的动态特征。
2. 多任务统一性缺失：现有的量化模型通常针对单一任务（如仅预测收盘价或仅预测波动率）训练，缺乏通用性。Kronos 试图构建一个统一的模型，能够同时处理预测、分类、异常检测等多种下游任务。
3. 连续数据的离散化难题：金融数据是连续且多维的，直接输入 Transformer 效果不佳。Kronos 解决了如何将连续的 OHLCV 数据高效、无损地转化为模型可理解的离散 Token 序列的问题。
4. 长序列处理的局限性：许多模型在处理长历史窗口时存在计算瓶颈或信息遗忘问题。Kronos 支持最大 512 的上下文窗口（针对 Small/Base 版本），并能自动处理截断，平衡了计算效率与信息完整性。

核心功能

Kronos 提供了一套完整的从数据预处理到预测、微调及回测的 Pipeline：

• KronosTokenizer：
  • 核心组件，负责将连续的 OHLCV 数据量化为分层离散 Token。
  • 支持从 Hugging Face Hub 加载预训练的分词器（如 NeoQuasar/Kronos-Tokenizer-base）。
• KronosPredictor：
  • 封装了数据预处理、归一化、预测及反归一化的完整流程。
  • 单序列预测 (predict)：支持概率性预测，可通过 T (温度)、top_p (核采样概率) 和 sample_count (生成路径数) 控制采样过程，返回包含 Open, High, Low, Close, Volume, Amount 的 DataFrame。
  • 批量预测 (predict_batch)：利用 GPU 并行处理多个时间序列，适用于多资产组合预测。要求输入的历史长度和预测长度一致。
• 微调 Pipeline (Finetuning)：
  • 提供完整的微调脚本，支持对 Tokenizer 和 Predictor 进行联合或单独微调。
  • 集成 Qlib 框架，以中国 A 股市场为例，演示数据准备、模型微调及简单回测的全流程。
  • 支持自定义配置（路径、超参数、时间范围等），并兼容 Comet.ml 进行实验追踪。
• 模型家族：
  • 提供不同容量的预训练模型（如 Kronos-small, Kronos-base 等），适配不同的算力需求和应用场景。

亮点 / 与同类相比

1. 首个金融 K 线基础模型：
   • 与通用时间序列模型（如 TimesNet, PatchTST）不同，Kronos 专为金融 OHLCV 数据设计，其 Tokenizer 针对金融数据的分布特性进行了优化，能更好地捕捉价格跳变和成交量异动。
2. 两阶段独特架构：
   • 先通过专用 Tokenizer 将多维连续数据转化为分层离散 Token，再使用自回归 Transformer 预训练。这种架构既保留了 Transformer 的强大序列建模能力，又解决了金融数据连续性的建模难题。
3. 统一的多任务处理能力：
   • 无需为不同任务重新训练模型，Kronos 可作为统一基座，通过微调适应预测、分类等多种量化任务。
4. 开源与社区支持：
   • 代码、预训练模型及微调脚本全部开源。
   • 提供可视化 Demo（如 BTC/USDT 24 小时预测），降低使用门槛。
   • 已被 AAAI 2026 接收，具备学术背书。
5. 灵活的采样与概率预测：
   • 支持核采样（Nucleus Sampling）和温度调节，能够生成多条预测路径并取平均，提供更丰富的不确定性估计，而非单一的确定性输出。

适合谁用 / 上手

目标用户：

• 量化研究员/开发者：希望利用最新的基础模型技术提升预测精度，或探索 Transformer 在金融时序数据中的应用。
• 算法交易团队：需要快速构建原型，验证基于深度学习的交易策略。
• 学术研究者：关注时间序列基础模型、金融 AI 交叉领域的研究人员。

上手指南：

1. 环境准备：

   • 安装 Python 3.10+。
   • 安装依赖：pip install -r requirements.txt。
   • 若需微调，需额外安装 pyqlib 并准备 Qlib 数据。

2. 快速预测示例：

   from model import Kronos, KronosTokenizer, KronosPredictor
   import pandas as pd
   
   # 1. 加载模型与分词器
   tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
   model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
   
   # 2. 初始化预测器
   predictor = KronosPredictor(model, tokenizer, max_context=512)
   
   # 3. 准备数据 (需包含 open, high, low, close, volume, amount)
   df = pd.read_csv("./data/XSHG_5min_600977.csv")
   df['timestamps'] = pd.to_datetime(df['timestamps'])
   lookback = 400
   pred_len = 120
   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']
   
   # 4. 执行预测
   pred_df = predictor.predict(
       df=x_df, x_timestamp=x_timestamp, y_timestamp=y_timestamp,
       pred_len=pred_len, T=1.0, top_p=0.9, sample_count=1
   )
   print(pred_df.head())
   

3. 微调入门：

   • 修改 finetune/config.py 中的路径和超参数。
   • 运行数据预处理脚本：python finetune/qlib_data_preprocess.py。
   • 执行微调与回测脚本（具体命令参考项目文档）。

注意事项：

• 输入数据的历史长度（lookback）不应超过模型的最大上下文窗口（Small/Base 版本为 512）。
• 批量预测时，所有序列的历史长度和预测长度必须一致。
• 微调 Pipeline 仅为演示用途，实际生产环境需结合更复杂的组合优化和风险控制策略。