标签： AI

项目简介

Kronos 是首个面向金融 K 线（蜡烛图）的开源基础模型——由清华大学团队开源，在全球 45+ 家交易所的行情数据上预训练，把 OHLCV 序列当作”金融市场的语言”来建模，一个模型通吃价格预测、波动率估计等多种量化任务。论文已被 AAAI 2026 录用，GitHub 上已收获 33,000+ Stars，是今日 GitHub Trending 上最亮眼的 AI × 金融项目。

与通用时间序列基础模型（TSFM）不同，Kronos 专门针对金融数据高噪声、多维联动的特性设计了两阶段框架：

1. 分层离散化 Tokenizer：把连续的多维 K 线数据（开高低收 + 量额）量化为分层离散 token；
2. 自回归 Transformer：decoder-only 架构在海量 token 序列上预训练，像 GPT “续写文本”一样”续写行情”。

安装要求和过程

环境要求

• Python 3.10+
• PyTorch（GPU 可选，CPU 也能跑小模型推理）
• 微调需要 NVIDIA GPU（支持 torchrun 多卡）+ 可选 Qlib 数据环境

快速安装

# 1. 克隆仓库
git clone https://github.com/shiyu-coder/Kronos.git
cd Kronos

# 2. 安装依赖
pip install -r requirements.txt

三行代码开始预测

from model import Kronos, KronosTokenizer, KronosPredictor

# 从 Hugging Face Hub 加载预训练模型
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)

# df 为含 open/high/low/close(/volume/amount) 的 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)

KronosPredictor 封装了数据预处理、归一化、预测与反归一化全流程，返回未来 OHLCV 的完整 DataFrame；还提供 predict_batch 批量并行预测多个标的。

核心功能

• 金融专用基础模型家族：开源 Kronos-mini（4.1M 参数、2048 上下文）、Kronos-small（24.7M）、Kronos-base（102.3M）三档模型，全部可在 Hugging Face（NeoQuasar）直接下载，按算力自由选择；
• 两阶段”金融语言”建模：分层离散化 Tokenizer 把高噪声 OHLCV 压成 token，自回归 Transformer 统一建模，一个模型服务多种量化任务；
• 概率化采样预测：支持温度 T、top-p 核采样、sample_count 多路径平均，不只给单点预测，还能刻画行情的不确定性；
• 完整微调管线：官方提供基于 Qlib 的 A 股微调全流程脚本——数据预处理 → Tokenizer 微调 → Predictor 微调（torchrun 多卡）→ Top-K 策略回测，一条龙跑通；
• 在线 Live Demo：官方部署了 BTC/USDT 未来 24 小时预测的可视化演示页，无需安装即可直观感受模型效果。

典型使用场景

1. 量化研究信号生成：把 Kronos 的预测价格变动作为原始 alpha 信号，接入组合优化与风险中性化流程，用于选股/择时研究——官方 A 股示例展示了从 Qlib 数据到 Top-K 策略回测的完整路径；
2. 加密货币/外汇短线预测：对 BTC/USDT 等 7×24 交易品种做未来数小时至一天的 K 线走势与波动区间预测（官方 Live Demo 场景），辅助仓位与风控决策；
3. 自有市场数据微调：券商、私募或个人研究者用自己的分钟线/日线数据微调 Tokenizer + Predictor，让基础模型适配特定市场微观结构，替代从零训练的高昂成本。

推荐理由

时间序列基础模型不少，但真正”懂金融”的开源模型 Kronos 是第一个。我实际体验下来有三点印象很深：

一是门槛低得惊人——pip install -r requirements.txt 加几行 Python 就能跑通预测，KronosPredictor 把归一化、截断、反归一化这些脏活全包了，量化新手也能十分钟上手；二是学术与工程兼备——AAAI 2026 论文背书、45+ 交易所数据预训练，同时给足了 torchrun 多卡微调和 Qlib 回测的工程脚本，不是只发权重不管落地的”论文模型”；三是诚实——README 明确提醒示例回测只是演示，生产级策略还需要组合优化、风险因子中性化、交易成本建模，这种不吹牛的态度在 AI × 金融领域难能可贵。

需要注意：模型输出是概率性预测而非投资建议，直接拿裸信号实盘风险很高；Kronos-large（499M）暂未开源，开源版本上下文长度上限 512（mini 为 2048）。适合量化研究者、金融工程学生和对”AI 预测行情”认真感兴趣的开发者。

下载地址

• GitHub 仓库：https://github.com/shiyu-coder/Kronos
• Hugging Face 模型：https://huggingface.co/NeoQuasar
• Live Demo（BTC/USDT 24h 预测）：https://shiyu-coder.github.io/Kronos-demo/
• 论文（arXiv）：https://arxiv.org/abs/2508.02739

许可证：MIT ｜ 语言：Python ｜ Stars：33.5K+ ｜ 数据截至 2026-07-25