45 家交易所的 K 线喂出一个大模型：Kronos 把涨跌当成一门语言预训练

本文基于 GitHub 项目 shiyu-coder/Kronos 的 README 整理。

摘要：Kronos 是第一个专为金融 K 线训练的开源基础模型，用专用 tokenizer 把 OHLCV 量化成离散 token，再让自回归 Transformer 学”市场的语言”。项目今日新增 575 星，为今日榜单最高；论文已被 AAAI 2026 接收。

---

把 K 线图看成一种语言，这个比喻在量化圈流传已久。Kronos 把它做成了工程实现：先用 tokenizer 把连续的 K 线数据离散化成 token，再用 decoder-only 的 Transformer 在这些 token 上做自回归预训练——和语言模型的训练范式完全一致，只是”词”换成了价格与成交量。

项目今日在 GitHub Trending 上新增 575 星，是今日榜单里涨得最快的一个，累计 42,857 星。

它和通用时序模型的差别在哪

README 里有一句话点明了立意：不同于通用时序基础模型（TSFM），Kronos 是专门为处理金融数据特有的高噪声特性而设计的。

这个区别不是营销话术。通用时序模型通常在电力负荷、交通流量、气象这类规律性强的数据上表现好，但金融序列的噪声占比极高，且信噪比随市场状态漂移。Kronos 用两阶段框架应对：

1. 专用 tokenizer：把连续、多维的 K 线数据（OHLCV）量化成分层的离散 token；
2. 自回归 Transformer：在这些 token 上预训练，从而作为统一模型服务多种量化任务。

训练数据来自 45 家以上全球交易所。项目论文发表在 arXiv（2508.02739），并已被 AAAI 2026 接收——这一点对严肃的量化团队是个信号：它不是周末项目。

模型库：从 4.1M 到 102.3M，按算力选

README 给了完整的模型对照表，全部托管在 Hugging Face：

模型	Tokenizer	上下文长度	参数量	开源
Kronos-mini	Kronos-Tokenizer-2k	2048	4.1M	是
Kronos-small	Kronos-Tokenizer-base	512	24.7M	是
Kronos-base	Kronos-Tokenizer-base	512	102.3M	是
Kronos-large	Kronos-Tokenizer-base	512	499.2M	否

有意思的是参数规模的分布：最小的 4.1M 模型反而拥有最长的 2048 上下文，而 24.7M 和 102.3M 的上下文都是 512。README 特别提醒，Kronos-small 和 Kronos-base 的 max_context 就是 512，建议输入数据的 lookback 不要超过这个长度，KronosPredictor 会自动截断超长上下文。499.2M 的 large 版本没有开源。

几行代码出预测

推理封装得很薄。加载 tokenizer 和模型：

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_context=512)

predict() 吃三样东西：含 ['open','high','low','close'] 列的 DataFrame（volume、amount 可选）、历史时间戳、未来时间戳。然后：

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
)

返回的是按未来时间戳索引的 OHLCV 预测表。T、top_p、sample_count 三个参数让它能做概率式预测——采样多条路径再平均，而不是只给一条确定的曲线。这在金融场景里比点预测更有意义。

要同时预测多个标的，用 predict_batch()：GPU 并行，各自独立做归一化与反归一化。约束是所有序列的历史长度和预测长度必须一致，且每个 DataFrame 都要有那四列。

官网还挂了一个 live demo，展示 BTC/USDT 未来 24 小时的预测结果。

微调链路是完整的，但作者自己划了红线

README 用 A 股做例子，给了四步微调流水线：配置（finetune/config.py 里改数据路径、checkpoint 路径、instrument、train_time_range 等）→ 用 Qlib 准备并切分数据（qlib_data_preprocess.py 产出 train/val/test 的 pkl）→ 两阶段训练（先 torchrun 训 tokenizer 适配领域分布，再训 predictor）→ qlib_test.py 加载模型、生成信号、跑一个简单的 top-K 策略回测。

值得单独引用的是它的免责声明，写得很直接：这条流水线只是用来说明微调流程的演示，是一个简化示例，不是生产可用的量化交易系统；稳健的量化策略还需要组合优化、风险因子中性化等更复杂的技术才能获得稳定 alpha。README 末尾还列了三条”从 demo 到生产”的注意事项：原始信号要送进组合优化模型做风险因子中性化才能隔离出”纯 alpha”；QlibDataset 只是示例，换数据源要自己改加载逻辑；top-K 策略只是起点，生产级还要处理动态仓位、止损止盈，以及交易成本、滑点和市场冲击的建模。

甚至连代码注释的来路都交代了：finetune/ 目录里很多注释由 AI 助手（Gemini 2.5 Pro）生成，仅供解释，可能有不准，以代码本身为逻辑准绳。

这种程度的自我限定，在”AI 选股”类项目里相当少见——多数项目会把回测曲线当卖点，而 Kronos 把”这条曲线不代表能赚钱”写在了正文里。

适合谁

适合做量化研究、想拿一个开源基线做对比实验的人；适合想研究”离散 token + 自回归”这套范式能否迁移到金融时序的研究者；也适合需要给交易信号做多路径概率估计的团队。

不适合指望它直接产出交易策略的人。README 已经把话说死：这是基础模型和演示流水线，不是印钞机。

项目地址：https://github.com/shiyu-coder/Kronos

🔁 重复度：低 — 未检索到 Kronos 的同项目既往报道，可正常发布