首个开源金融 K 线基础模型，学会市场的语言
更新于 2026-07-23
← 返回汇总首个开源金融 K 线基础模型，学会市场的语言
首个开源金融 K 线（candlestick）基础模型。专用 tokenizer 把连续 OHLCV 数据量化成层级离散 token，再用自回归 Transformer 在 45+ 全球交易所、120 亿+ K 线记录上预训练。零样本即可胜任价格预测、波动率预测、合成数据生成多种量化任务。价格预测 RankIC 比头部 TSFM 高 93%，波动率 MAE 低 9%，合成保真度 +22%。清华+京东出品，AAAI 2026 录用，32.7k Stars。
decoder-only Transformer · 四档模型（4.1M–499.2M）· Hugging Face 开源 · 含微调脚本 · 作者含清华张长水、李建，京东徐伟
通用时序基础模型（TimesFM/Moirai 等）针对平稳信号设计，在金融高噪声、肥尾、非平稳数据上表现不佳，常输给非预训练架构。
价格预测、波动率预测、合成数据生成各训各的模型，无法共享表征，数据利用率低。
GPT/Claude 擅长新闻情感，却无法直接处理 OHLCV 价格序列——语言模型与数字信号存在鸿沟。
把 LLM 的"预测下一个 token"范式移植到 K 线——前提是先把连续价格"词汇化"。Kronos 的关键洞察：金融市场的语法藏在 OHLCV 的演化模式里。
就像 GPT 预测句子下一个词，Kronos 预测价格序列下一个 token。预训练让模型学会跨市场、跨资产的通用时序表征。
| 任务 | 对比基线 | Kronos 提升 |
|---|---|---|
| 价格序列预测 | 头部通用 TSFM | RankIC +93% |
| 价格序列预测 | 最佳非预训练架构 | RankIC +87% |
| 波动率预测 | — | MAE -9% |
| 合成 K 线生成 | — | 生成保真度 +22% |
全部为零样本（zero-shot）设置——无需在目标数据上微调即可达到。RankIC 是量化选股的核心指标，衡量预测值与真实收益的排序相关性。
| 模型 | 参数量 | 上下文长度 | Tokenizer | 开源 |
|---|---|---|---|---|
| Kronos-mini | 4.1M | 2048 | 2K | 是 |
| Kronos-small | 24.7M | 512 | Base | 是 |
| Kronos-base | 102.3M | 512 | Base | 是 |
| Kronos-large | 499.2M | 512 | Base | 否 |
mini：边缘部署/移动端，2048 上下文看更长历史。
small：消费级 GPU 可跑，多数场景均衡之选。
base：生产级量化工作。
large：未开源，疑似留给商业合作。模型均在 Hugging Face NeoQuasar/ 命名空间下。
# 1. 装依赖（Python 3.10+） pip install -r requirements.txt # 2. 加载模型与 tokenizer 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) # 3. 预测（df 含 open/high/low/close 列，volume 可选） pred_df = predictor.predict( df=x_df, x_timestamp=x_ts, y_timestamp=y_ts, pred_len=120, T=1.0, # 温度采样 top_p=0.9, # 核采样 sample_count=1 # 多路径平均 )
KronosPredictor 封装了归一化、tokenization、逆变换全流程。另有 predict_batch 支持多资产并行预测，利用 GPU 并行加速回测。
零样本预测未来 K 线 OHLCV。支持概率预测——多次采样生成分布，而非单点。
预测未来价格波动幅度，MAE 比基线低 9%。期权定价与风险管理关键输入。
生成保真度提升 22% 的仿真 K 线。用于策略回测增广、隐私保护数据共享。
三种任务共享同一套预训练权重——这是"基础模型"范式的核心价值：一次预训练，多任务复用。
predict_batch 并行回测投资组合2025 年 8 月开放微调脚本。在预训练权重上继续训练，让模型适配特定资产类别或市场状态。
from_pretrained 接口，与 transformers 工具链无缝集成Domain-specific Foundation Model 是 AI 的下一 frontier，Kronos 证明了金融领域的可行性。32.7k stars + AAAI 2026 录用，说明学界与工业界都认可其范式价值。两阶段框架（专用 tokenizer + 自回归预训练）可迁移到任何"连续信号词汇化"场景——能源、气象、工业传感。若微调生态成熟 + large 模型择机开源，有望成为金融 AI 的"BERT 时刻"——一个所有量化工作都绕不开的基座。局限在于：金融市场的有效性意味着 alpha 衰减极快，模型能力的"半衰期"可能短于通用领域。