零代码上手开源 K 线基础模型 Kronos:从本地预测到微调的实战指南

零代码上手开源 K 线基础模型 Kronos:从本地预测到微调的实战指南【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/KronosKronos 是量化领域少见的开源 K 线预测基础模型:它在 45 家以上全球交易所的 K 线行情数据上完成预训练,输入一段历史 K 线,就能输出未来价格走势的预测路径。本文按产出 → 上手 → 选型 → 原理 → 进阶的顺序,把安装、本地预测、批量推理和微调的完整流程一次讲清,面向想尝试量化分析的普通投资者、需要接入自有数据的开发者,以及要做批量预测与回测验证的量化研究者。跑通后你能得到什么:预测图、回测曲线与个股报告先看产出物,后面的步骤才有明确目标。仓库里内置了三类可直接对照的结果:单标的预测对比图:预测示例脚本是一条完整可运行的链路,跑完得到历史 K 线与未来预测的叠加图,是 K 线预测最标准的呈现方式。微调后的回测曲线:在 A 股日线数据上微调后,脚本会跑一个 top-K 简单策略,输出策略相对基准的累计收益曲线。真实个股的预测输出:examples/yuce/目录保存了沪深个股(如平安银行 000021)的预测图与配套 JSON 分析报告,适合对照单只股票的输出细节。⚠️ 官方把话说得很直白:微调与回测流水线只是流程演示,模型输出的是原始预测信号,离实盘还差组合优化、风险因子中性化、交易成本建模等一整套工程,不要把它当成开箱即用的交易系统。三步在本地跑起 K 线预测:网页界面与命令行两条路环境只需 Python 3.10。克隆仓库并安装依赖:git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos pip install -r requirements.txt路径一:网页界面。不想写代码就用 Web 界面:cd webui python run.py浏览器打开http://localhost:7070,操作流程四步:选择 CSV 数据文件 → 选模型规格与 CPU/CUDA/MPS 设备 → 用滑杆框定时间窗口(固定 400 个历史点 120 个预测点)→ 点预测。CSV 数据只要求包含open、high、low、close四列,volume、amount可选;首次加载模型会从 Hugging Face 下载权重,稍等片刻即可。路径二:命令行。要接入自己的脚本,直接调用KronosPredictor:传入 DataFrame(含四列价格)、历史时间戳与未来时间戳,返回预测 DataFrame。做概率预测时有三个旋钮:T(采样温度)、top_p(核采样概率)、sample_count(生成多少条预测路径再取平均)。多只标的可以改用predict_batch并行推理,前提是各序列的历史长度与预测长度一致。收尾:验证输出。返回的 DataFrame 覆盖 open/high/low/close 各字段,与真实值叠加绘制,就能得到前文那种预测对比图。它是怎么看懂K 线的:一分钟原理速览核心实现放在 model 目录,链路分两级:Tokenizer(量化器):把开高低收、成交量等多维连续 K 线数据量化成两层粗细不同的离散符号序列,让价格序列变成模型可处理的输入;自回归 Transformer:在这类符号序列上预训练,学习依据前文推断下一步最可能是什么的规律,这套结构对高噪声的金融数据比较友好。官方称其为面向金融 K 线的首个基础模型,论文已被 AAAI 2026 接收;预训练数据覆盖 45 家以上全球交易所,并非只针对单一市场。mini / small / base 怎么选:参数规格与上下文长度陷阱项目放出四档预训练模型:规格参数规模最大上下文说明Kronos-mini4.1M2048轻量,适合快速试跑Kronos-small24.7M512README 示例的默认规格Kronos-base102.3M512精度更高Kronos-large499.2M512未开源 上下文那一列藏着个容易踩的坑:small 与 base 最多只能接收 512 个历史点,喂入的 lookback 超过 512 时,KronosPredictor会自动截断,多出来的历史直接作废。稳妥的起步方式是用 4.1M 参数的 mini 先把数据格式和流程跑通,再逐步换大模型,避免一开始就卡在环境问题上。进阶两条路:CSV 微调与 Qlib 回测手里有自己的行情数据时,仓库给了两条微调链路:CSV 微调流程:改一份 yaml 里的数据路径即可开训,train_sequential.py负责先训 Tokenizer 再训 Predictor 的顺序两阶段,也支持 torchrun 多卡 DDP。内置示例是阿里巴巴港股 09988 的 5 分钟 K 线,微调后的预测图放在 finetune_csv/examples/,可以直接对照效果。Qlib 微调与回测:面向 A 股日线的四步脚本链——数据预处理、两阶段微调、回测评估,适合作为自建策略的起点。下一步行动装好依赖、启动 webui,用任意一份 K 线 CSV 把 400120 的窗口完整跑一遍;换用KronosPredictor在命令行复现同一预测,调整 T、top_p、sample_count,观察预测路径如何变化;接入自有市场数据,从 CSV 微调流程入手,改一份 yaml 完成第一次微调。预测输出本质上是概率路径而非确定性结论,把它当作分析起点,而不是下单依据。【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