Kronos: 首个面向金融K线图的开源基础模型Kronos** 是一个专为金融市场"语言"——K线序列预训练的 dec

Kronos：金融市场语言的基础模型

Kronos 是首个面向金融K线图的开源基础模型，基于全球超过45家交易所的数据训练而成。

📰 最新动态

🚩 [2025.08.17] 我们已发布微调脚本！欢迎使用这些脚本将 Kronos 适配至您的特定任务。
🚩 [2025.08.02] 我们的论文现已发布于 arXiv！

📜 简介

Kronos 是一个专为金融市场"语言"——K线序列预训练的 decoder-only 基础模型系列。与通用时间序列预测模型（TSFM）不同，Kronos 专门设计用于处理金融数据独特的高噪声特性。它采用创新的两阶段框架：

专用分词器首先将连续的多维K线数据（OHLCV）量化为分层离散令牌。
随后基于这些令牌预训练大型自回归Transformer，使其成为适用于多种量化任务的统一模型。

✨ 实时演示

我们搭建了实时演示页面以可视化 Kronos 的预测结果。该网页展示了 BTC/USDT 交易对未来24小时的预测。

👉 点击访问实时演示

📦 模型库

我们发布了一系列不同容量的预训练模型，以满足不同的计算和应用需求。所有模型都可以从 Hugging Face Hub 轻松获取。

模型	分词器	上下文长度	参数量	开源状态
Kronos-mini	Kronos-Tokenizer-2k	2048	4.1M	✅ NeoQuasar/Kronos-mini
Kronos-small	Kronos-Tokenizer-base	512	24.7M	✅ NeoQuasar/Kronos-small
Kronos-base	Kronos-Tokenizer-base	512	102.3M	✅ NeoQuasar/Kronos-base
Kronos-large	Kronos-Tokenizer-base	512	499.2M	❌

🚀 快速开始

安装

安装 Python 3.10+，然后安装依赖项：

pip install -r requirements.txt

📈 进行预测

使用 Kronos 进行预测非常简单，只需通过 KronosPredictor 类即可完成。该类处理数据预处理、归一化、预测和反归一化等步骤，让你仅用几行代码就能从原始数据获得预测结果。

重要提示：Kronos-small 和 Kronos-base 的 max_context 值为 512。这是模型能处理的最大序列长度。为获得最佳性能，建议输入数据长度（即 lookback）不要超过此限制。KronosPredictor 会自动处理较长上下文的截断。

以下是进行首次预测的逐步指南。

1. 加载分词器和模型

首先，从 Hugging Face Hub 加载预训练的 Kronos 模型及其对应的分词器。

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")

2. 实例化预测器

创建 KronosPredictor 的实例，传入模型、分词器以及所需的设备。

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

3. 准备输入数据

predict 方法需要三个主要输入：

df：包含历史 K 线数据的 pandas DataFrame。必须包含列 ['open', 'high', 'low', 'close']。volume 和 amount 为可选列。
x_timestamp：与 df 中历史数据对应的时间戳 pandas Series。
y_timestamp：你想要预测的未来时间段的时间戳 pandas Series。

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']

4. 生成预测

调用 predict 方法生成预测。您可以通过 T、top_p 和 sample_count 等参数控制概率性预测的采样过程。

# 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())

predict 方法返回一个 pandas DataFrame，包含 open、high、low、close、volume 和 amount 的预测值，并以您提供的 y_timestamp 作为索引。

为实现多时间序列的高效处理，Kronos 提供了 predict_batch 方法，支持对多个数据集同时进行并行预测。这在需要一次性预测多个资产或时间段时尤为实用。

# 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：

所有序列必须具有相同的历史长度（回看窗口）
所有序列必须具有相同的预测长度（pred_len）
每个 DataFrame 必须包含必需列：['open', 'high', 'low', 'close']
volume 和 amount 列为可选列，若缺失将自动填充零值

predict_batch 方法利用 GPU 并行机制实现高效处理，并自动为每个序列独立执行归一化与反归一化操作。

5. 示例与可视化

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

运行此脚本将生成一个对比真实数据与模型预测结果的图表，类似于下图所示：

Forecast Example转存失败，建议直接上传图片文件

此外，我们还提供了一个不使用成交量和成交额数据进行预测的脚本，可在 examples/prediction_wo_vol_example.py 中找到。

🔧 使用自有数据进行微调（A股市场示例）

我们提供了完整的流程，用于在您自己的数据集上对 Kronos 进行微调。作为示例，我们演示了如何使用 Qlib 准备中国A股市场数据并进行简单的回测。

免责声明： 本流程旨在演示微调过程，是一个简化示例而非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（如投资组合优化和风险因子中性化）才能获得稳定的阿尔法收益。

微调过程分为四个主要步骤：

配置：设置路径和超参数
数据准备：使用 Qlib 处理和拆分数据
模型微调：微调 Tokenizer 和 Predictor 模型
回测：评估微调后模型的性能

环境要求

首先确保已安装 requirements.txt 中的所有依赖项
本流程依赖 qlib，请通过以下命令安装：
```
  pip install pyqlib
```
需要准备 Qlib 数据。请遵循 Qlib 官方指南下载并在本地设置数据。示例脚本假定您使用日频数据

步骤一：配置实验

所有数据、训练和模型路径的设置均集中在 finetune/config.py 中。在运行任何脚本前，请根据您的环境修改以下路径：

qlib_data_path: 您本地 Qlib 数据目录的路径。
dataset_path: 用于保存处理后的训练/验证/测试 pickle 文件的目录。
save_path: 保存模型检查点的基目录。
backtest_result_path: 用于保存回测结果的目录。
pretrained_tokenizer_path 和 pretrained_predictor_path: 您希望从中开始训练的预训练模型路径（可以是本地路径或 Hugging Face 模型名称）。

您还可以调整其他参数，如 instrument、train_time_range、epochs 和 batch_size，以适应您的具体任务。如果不使用 Comet.ml，请设置 use_comet = False。

步骤 2：准备数据集

运行数据预处理脚本。该脚本将从您的 Qlib 目录加载原始市场数据，进行处理，将其分割为训练集、验证集和测试集，并保存为 pickle 文件。

python finetune/qlib_data_preprocess.py

运行后，您将在配置文件中 dataset_path 指定的目录中找到 train_data.pkl、val_data.pkl 和 test_data.pkl。

步骤 3：运行微调

微调过程包含两个阶段：首先微调分词器，然后微调预测器。两个训练脚本均设计为使用 torchrun 进行多 GPU 训练。

3.1 微调分词器

此步骤调整分词器以适应您特定领域的数据分布。

# 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被保存到 config.py 中配置的路径（该路径由 save_path 和 tokenizer_save_folder_name 派生而来）。

3.2 微调预测器

此步骤针对预测任务微调主要的 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被保存到 config.py 中配置的路径。

步骤 4：通过回测进行评估

最后，运行回测脚本来评估您微调后的模型。该脚本会加载模型，在测试集上执行推理，生成预测信号（例如，预测价格变动），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

脚本将在控制台输出详细的性能分析，并生成一张图表，显示您的策略相对于基准的累计收益曲线，类似于下图所示：

💡 从演示到生产：重要注意事项

原始信号 vs. 纯Alpha: 本演示中模型生成的信号为原始预测。在实际量化工作流中，这些信号通常会被输入投资组合优化模型。该模型会施加约束以对冲常见风险因子（如市场Beta、规模和价值等风格因子）的敞口，从而分离出**"纯Alpha"**并提升策略的稳健性。
数据处理: 提供的 QlibDataset 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。
策略与回测复杂性: 此处使用的简单Top-K策略是一个基础起点。生产级策略通常包含更复杂的投资组合构建逻辑、动态头寸规模调整和风险管理（如止盈止损规则）。此外，高保真度的回测应精细地模拟交易成本、滑点及市场冲击，以更准确地评估实际表现。

📝 AI生成的注释: 请注意，finetune/ 目录中的许多代码注释由AI助手（Gemini 2.5 Pro）生成，仅用于解释说明。虽然这些注释旨在提供帮助，但可能存在不准确之处。我们建议将代码本身视为逻辑的最终权威来源。

📖 引用

如果您在研究中使用 Kronos，我们恳请您引用我们的论文：

@misc{shi2025kronos,
      title={Kronos: A Foundation Model for the Language of Financial Markets}, 
      author={Yu Shi and Zongliang Fu and Shuo Chen and Bohan Zhao and Wei Xu and Changshui Zhang and Jian Li},
      year={2025},
      eprint={2508.02739},
      archivePrefix={arXiv},
      primaryClass={q-fin.ST},
      url={https://arxiv.org/abs/2508.02739}, 
}

📜 许可证

本项目采用 MIT 许可证进行授权。