Kronos 金融K线预测快速上手指南从装环境到喂数据微调【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 是一个专门做金融K线预测的开源基础模型它把 K 线当作一种语言来学习你给它历史行情它还你未来一段走势的预测。适合三类人想入行量化的新手、想把预测接进自己流程的开发者、以及只想要个能跑的 demo 验证效果的人。下面按上手的实际顺序走一遍不用啃论文。用2分钟看懂 Kronos它的核心思路一句话概括先把 K 线翻译成一串符号再用语言模型式的架构去预测后面会发生什么。这和你用大语言模型处理文本是一个套路。文本不能直接丢给模型要先切成 token词的基本单元。Kronos 对 K 线做了同样的事整个框架分两步第一步分词器tokenizer把每根 K 线的开盘、最高、最低、收盘、成交量合称 OHLCV量化成一串离散令牌。你可以理解为把 K 线的原始数值翻译成模型能认读的符号序列。第二步自回归 Transformer自回归就是续写——根据前文逐个决定下一个词。这个 Transformer 在 45 多家全球交易所的 K 线数据上预训练过学的是 K 线序列的共性规律拿来就能做预测。为什么要多此一举量化成令牌原始金融数据噪声大转成离散符号后模型可以聚焦于 K 线的结构模式而不是被精确数值牵着走。另外 token 化让不同规模的模型能复用同一套分词器部署上也更省事。5分钟跑通第一个预测环境准备与模型选型环境门槛不高Python 3.10 以上然后在项目根目录执行pip install -r requirements.txt依赖清单torch、pandas、huggingface_hub 等都固定在 requirements.txt 里建议单独建一个虚拟环境避免和现有包打架。接着决定用哪个规模的模型。开源有三档上下文长度指模型一次最多能看多少根历史 K 线模型参数规模上下文长度适合场景Kronos-mini4.1M2048轻量快验CPU 也能跑Kronos-small24.7M512常规预测速度与精度均衡Kronos-base102.3M512对预测质量要求更高的场景⚠️ 两个注意点small 和 base 的输入上限是 512超长序列预测器会自动截断显存紧张就从 mini 或 small 起步没必要一上来就 base。跑起第一个预测最快的路径是 Web 界面无需写代码cd webui python run.py浏览器打开 http://localhost:7070 上传 CSV 数据、选模型和设备CPU/CUDA/MPS、滑动选时间窗口固定 400 根历史 120 根预测点预测即可看到 K 线图对比。参数建议和注意事项可查 webui/README.md。想直接写代码的话核心调用就这几行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) pred_df predictor.predict(dfx_df, x_timestampx_timestamp, y_timestampy_timestamp, pred_len120)输入是含 open/high/low/close 列的 pandas DataFramevolume、amount 可选返回的 pred_df 就是按 y_timestamp 索引的预测 K 线。完整的加载数据、画对比图的脚本在 examples/prediction_example.py跑一遍就能得到下面这种效果图。三种用法按需挑一条跑通一次之后根据你的目的选一条主线即可路径适合谁怎么开始WebUI 交互不写代码、先建立对输出效果的直观感受cd webui python run.py浏览器里操作Python API要把预测接进自己的策略或回测脚本用KronosPredictor几行代码调用多标的并行用predict_batchCSV 微调通用模型在自己数据上不够贴合想训专属版本准备 CSV 和 YAML 配置跑finetune_csv/train_sequential.py建议的顺序先在 WebUI 里出一张图确认数据格式和输出形态没问题再切到 Python API 自己写评估逻辑最后才考虑微调。注意predict_batch要求所有序列的历史长度和预测长度一致缺 volume/amount 列会自动补零。喂自己的K线数据微调如果你手上有一个市场或品种的历史 K 线想让模型更贴合自己的数据仓库提供了完整的 CSV 微调流程细节见 finetune_csv/README_CN.md。三步走备数据CSV 至少要包含 timestamps、open、high、low、close 五列volume 和 amount 没有的话可以全填 0。仓库里有一份港股阿里 5 分钟 K 线的样例数据在finetune_csv/data/可直接参考列格式。改配置照finetune_csv/configs/config_ali09988_candle-5min.yaml复制一份把数据路径和预训练模型路径改成自己的lookback_window、predict_window、max_context 等训练参数在模板里有逐行注释。训练一条命令按顺序先微调分词器、再微调预测器多卡可加 torchrun 走 DDP 加速训练完两个组件的最佳检查点会分别保存到各自目录拿自己的数据即可跑预测。卡住了先看这模型加载/下载失败先查网络能否连通模型仓库再确认 transformers 版本 ≥ 4.30.0首次加载需要下载权重等待一会儿属正常现象。显存不够或 CPU 太慢换 Kronos-mini或调小 batch_sizeWebUI 里也可以直接选 CPU 设备跑通流程。数据格式报错对照配置模板逐列核对列名——最少要有 open/high/low/close时间列叫 timestamps、timestamp 或 date 都能识别。预测结果看着不对先排查输入数据本身缺失、乱序、异常值再调predict里的 T温度和 top_p 等采样参数多采样几条路径sample_count观察是否稳定。WebUI 打不开大概率是 7070 端口被占用改一下webui/app.py里的端口号再重启。装完、跑通、微调这三个节点过了之后建议顺着 README.md 看完整的模型清单和基于 Qlib 的回测流程再翻examples/目录里几个可直接运行的脚本最后读一遍 finetune_csv/README_CN.md 把训练参数逐项过一遍——这三处文档覆盖了从验证到定制的全部细节。【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