Kronos Skill：金融 K 线首个开源基础模型，AAAI 2026 接收

Skill超级捕获手 技术创作者 2026-08-04 663 阅读

在 GitHub Trending 今日榜上，一只专门”读懂”K 线语言的金融基础模型正以 +217 stars/天的速度走红。Kronos（https://github.com/shiyu-coder/Kronos）是全球首个针对金融 K 线序列的开源基础模型，已被 AAAI 2026 接收，论文登上 arXiv（2508.02739），正在被全球量化团队搬进生产 pipeline。

功能与原则

Kronos 是一个专为金融市场设计的 Decoder-only 基础模型，专注于 K 线（OHLCV 开盘/最高/最低/收盘/成交量）序列建模。核心设计原则：用专门的两阶段框架处理金融数据的高噪声特性——

  1. 第一阶段：专用 Tokenizer 将连续多维 K 线数据量化为层级离散 token
  2. 第二阶段：大型自回归 Transformer 在这些 token 上预训练，作为统一模型服务多种量化任务

不同于通用时序基础模型（TSFM），Kronos 不试图”复用 NLP 模型硬塞金融数据”，而是把金融时序当作一种独立的”语言”重新设计架构。

认可度

  • Star 数：35,800+（截至 2026-08-04），今日 +217
  • Fork：6,000+
  • Watch：305
  • HuggingFace 模型系列（NeoQuasar/Kronos-*）已被社区广泛下载
  • AAAI 2026 已接收（2025-11-10 公布）
  • 论文 arXiv: 2508.02739
  • GitHub Trending 多次上榜

链接

https://github.com/shiyu-coder/Kronos

原作者

主要作者团队（论文署名）：Yu Shi, Zongliang Fu, Shuo Chen, Bohan Zhao, Wei Xu, Changshui Zhang, Jian Li。GitHub 仓库主要维护者 @shiyu-coder，活跃贡献者包括 @Luciferbobo、@CharlesJ-ABu、@AnMakc、@randyy179 等。来自清华大学 / 产业界量化研究背景，专注把 LLM 范式迁移到金融时序建模。

介绍

Kronos 解决的是一个长期被忽略的痛点：金融时序本质上和文本、图像、语音一样是”一种语言”，但绝大多数 TSFM 都把金融数据当成普通时间序列硬塞 Transformer，结果在高频噪声下表现糟糕。

Kronos 的核心创新是把 K 线先 token 化：训练一个专门的 Tokenizer 把连续的 OHLCV 序列压缩成离散 token，再用大型自回归 Transformer 在 token 流上预训练。这意味着 Kronos 可以统一处理多种量化任务——预测、信号生成、回测、组合优化都能用同一个底座。

预训练数据覆盖全球 45+ 交易所的 K 线数据，确保模型见过不同市场制度（牛/熊/震荡/闪崩）。发布完整模型家族 4 个尺寸，从 4.1M 参数的 mini 适合轻量实验，到 499.2M 的 large 适合重负载量化研究，覆盖 4 种部署场景。

特点

  • 首创 K 线专用 Tokenizer：把连续 OHLCV 量化成分层离散 token，从根源上解决金融数据高噪声建模难题
  • 完整模型家族：Kronos-mini（4.1M）/ small（24.7M）/ base（102.3M）/ large（499.2M），4 档尺寸覆盖从教学到生产
  • 统一多任务底座：一个预训练模型同时服务价格预测、信号生成、回测评估，无需为每个任务训练专模
  • 学术背书强：AAAI 2026 接收，论文公开 arXiv，复现门槛低
  • 完整 Finetune Pipeline：内置 Qlib 数据准备 + torchrun 多卡训练 + 完整回测脚本，A 股场景示例开箱即用

使用方法

安装：

git clone https://github.com/shiyu-coder/Kronos.git
cd Kronos
pip install -r requirements.txt

单资产预测（最小示例）：

from model import Kronos, KronosTokenizer, KronosPredictor
import pandas as pd

# 1. 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)

# 2. 准备数据（必须含 open/high/low/close 列）
df = pd.read_csv("./data/XSHG_5min_600977.csv")
df['timestamps'] = pd.to_datetime(df['timestamps'])
lookback, pred_len = 400, 120

# 3. 生成预测
pred_df = predictor.predict(
    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'],
    pred_len=pred_len, T=1.0, top_p=0.9, sample_count=1
)

多资产批量预测：使用 predict_batch() 一次性处理多个 DataFrame，GPU 自动并行。

使用场景与人群

  • 量化研究员 / 量化交易团队：用 Kronos 作为底座，finetune 出自家策略的预测/信号模型
  • 金融科技 / 资管公司：把 Kronos 集成到回测平台，作为新因子生成的统一接口
  • 机器学习研究者：探索”领域专用基础模型”的设计范式（金融时序 + Tokenizer + 自回归 Transformer）
  • AI 应用开发者：构建基于 Kronos 的市场情绪分析 / 价格预警 / 投资辅助工具

输入与输出案例

案例 1：A 股单只股票日内预测

  • Input：600977（中文传媒）5 分钟 K 线数据，400 个时间点（OHLCV + amount），预测未来 120 个 5 分钟 K 线
  • Output：返回 120×6 的 DataFrame（open/high/low/close/volume/amount），可与真实 K 线对比画出预测 vs 实际曲线图

案例 2：A股全市场批量信号生成 + 简单回测

  • Input：通过 python finetune/qlib_data_preprocess.py 处理 Qlib 全市场 A 股日频数据；多卡 finetune Tokenizer 和 Predictor；用 python finetune/qlib_test.py --device cuda:0 跑回测
  • Output：输出 Top-K 选股策略的累计收益曲线、与基准（沪深 300）的对比图、性能指标（年化收益、夏普比率、最大回撤等）。演示用 Qlib 框架完整串联数据 → 训练 → 评估全流程

Kronos 之所以在 Trending 上持续走红，根本原因是它把”金融时序”从附属任务升级为独立的基础建模领域，并给出了可复现的开源参考实现。对于 AI 圈它代表”领域专用 FM”的新范式，对于金融圈它代表”LLM-style 预训练”终于正式杀进 K 线建模——两边的人都能用，是它真正的破圈之处。

GitHub: https://github.com/shiyu-coder/Kronos

评论区

0 条评论

登录后可评论。

Skill超级捕获手 663 阅读