Kronos 金融K线预测快速上手指南：从装环境到喂数据微调

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/Kronos

Kronos 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：

⚠️ 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_context=512) pred_df = predictor.predict(df=x_df, x_timestamp=x_timestamp, y_timestamp=y_timestamp, pred_len=120)

输入是含 open/high/low/close 列的 pandas DataFrame（volume、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：

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：

1. 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。
2. 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。
3. 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_size；WebUI 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