【Kronos】专为金融K线设计的开源大模型，让时序预测更懂市场语言

Kronos 是首个面向金融K线（蜡烛图）数据开源的基础模型，它把高噪声、多维的OHLCV价格序列当作一种“语言”来建模，专门解决传统通用时序模型在金融市场预测中泛化性弱、噪声鲁棒性差的问题。

主要特性包括：
– ✅ 专为金融K线设计：采用两阶段框架——先用定制化分词器将连续OHLCV数据量化为层级化离散token，再用解码器-only Transformer进行自回归预训练；
– ✅ 覆盖全球45+交易所数据：预训练数据来源广泛，具备跨市场泛化潜力；
– ✅ 多尺寸模型可选：提供 Kronos-mini（4.1M）、small（24.7M）、base（102.3M）三款开源模型，分别适配轻量推理、研究实验与中等算力场景；
– ✅ 开箱即用的预测接口：通过 KronosPredictor 封装了数据归一化、token化、推理、逆归一化全流程；
– ✅ 支持批量预测与概率采样：提供 predict_batch 方法实现多资产并行预测，并支持温度（T）、核采样（top_p）等参数调节预测不确定性；
– ✅ 开放微调能力：附带完整微调流水线（含Qlib数据接入示例），支持在A股等特定市场数据上进一步适配。

安装与快速使用：

pip install -r requirements.txt

只需几行代码即可完成预测：

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)

# 输入需含 ['open', 'high', 'low', 'close'] 列的 pandas DataFrame
pred_df = predictor.predict(
    df=x_df,
    x_timestamp=x_timestamp,
    y_timestamp=y_timestamp,
    pred_len=120,
    T=1.0,
    top_p=0.9,
    sample_count=1
)

该项目适合以下场景和用户：
– 量化研究员与算法交易初学者：希望快速验证K线预测想法，无需从零构建特征工程与模型架构；
– 高校与实验室研究者：需要可复现、可微调的金融领域基础模型开展下游任务（如信号生成、风险预测、事件驱动建模）；
– 金融机构技术团队：在合规前提下，将开源模型作为内部预测系统的技术基座，结合自身数据进行私有化微调；
– 教育场景：用于讲授“金融+AI”交叉课题，直观展示时序大模型如何处理真实市场数据。

总结：Kronos 填补了开源金融大模型的关键空白——它不是通用时序模型的简单迁移，而是从数据表征（分词器）、模型结构到训练目标都深度适配K线特性的务实设计。虽未提供端到端交易策略，但其清晰的模块划分、详实的示例代码与Hugging Face友好集成，显著降低了金融AI的实践门槛。建议访问其主页获取更详细信息。