Kronos：让K线自己”开口说话”

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：今天聊一个为数不多能让我看后能深度测试并用于生成端的项目：清华Kronos，号称全球首个金融K线基础模型。它用120亿根K线预训练，把K线当语言来"读"。让我来拆解它的核心原理和实战用法，分享给你。

上个月刷GitHub热榜，一个项目的定位吸引了了我：专门训练来读懂股市K线的AI。不是通用大模型，不是写文章画图的那种，是专门喂K线数据、只干金融这一件事的。

目前这篇论文已经被AAAI 2026收录了，AI领域顶会，含金量不用我多说。

今天我就把这个项目从头到尾拆一遍：它到底做了什么，技术有多硬核，怎么上手用，以及它背后更大的趋势意味着什么。

① Kronos到底做了什么？

一句话版本：Kronos是全世界第一个专门为金融K线设计的开源基础模型。

什么叫”基础模型”？就是像GPT之于自然语言、BERT之于文本理解那样，先在海量数据上做预训练，学会通用的”理解能力”，然后再针对具体任务微调。

但过去，金融领域一直没有这样的基础模型。

原因很简单：金融数据噪声太大、非平稳性太强，通用时序模型搬过来水土不服，甚至性能还不如不预训练。

清华团队的Kronos，就是来填这个坑的。

它是一个Decoder-Only的Transformer模型，预训练数据来自全球45家交易所的K线历史，横跨7种时间周期（1分钟到1天），总共120亿根K线，这个规模在金融时序领域是史无前例的。

K线是做量化的人每天盯着的东西。传统量化要做特征工程，要人工设计指标：均线、布林带、MACD、RSI……一条一条去试。

Kronos干的事是：把K线当成一种语言，让模型自己学出什么模式最有效。

② 核心架构：两阶段框架，让K线变”语言”

这是Kronos最核心的创新，也是整篇论文的精华所在。它采用了一个两阶段框架：

第一阶段：BSQ分词器：把K线变成”词”

自然语言处理里，GPT用BPE分词器把文本切成token。Kronos也做了类似的事，但对象不是文字，而是连续的K线数据。

它用了一种叫二进制球面量化（Binary Spherical Quantization，BSQ）的技术，将连续的K线数据量化为离散的、分层结构的token序列。

具体来说，每根K线的OHLCVA（开盘价、最高价、最低价、收盘价、成交量、成交额）6个维度，都会被编码成一个独立token，而这个token又包含粗粒度（Coarse）和细粒度（Fine）两个子token。

为什么要分粗细？

因为市场波动有层次：粗粒度捕捉大趋势，细粒度捕捉小波动。这就好比你看行情，既要看日线的大方向，也要看分钟线的细节，两个层面缺一不可。

Kronos分词器架构图：K线数据经过BSQ量化为粗粒度与细粒度双组分分层Token

第二阶段：自回归Transformer：学会说”股市的话”

有了token之后，Kronos使用一个大型自回归Transformer（Causal Transformer）在这些token上进行预训练。训练目标就是GPT那一套：Next-Token Prediction——根据前面的token序列，预测下一个token。

但这里有个关键区别：因为token是分层结构的（粗+细），模型需要顺序预测分层子token，先预测粗粒度部分，再预测细粒度部分。这种设计让模型能同时捕捉宏观趋势和微观波动，而且通过交叉注意力机制实现不同时间尺度特征的融合。

简单总结：K线被转成”词”，模型在这些”词”上学会了说”股市的话”。整个思路跟GPT学习自然语言是一脉相承的，但专门为金融数据的特性做了深度适配。

有人会问，为什么不直接用通用时序模型？
答案是：金融数据的信噪比极低，通用模型在预训练阶段看到的金融数据占比太少，学不到有效的金融模式。Kronos从一开始就只为金融K线服务，这是它的核心优势。

③ 模型家族：从4.1M到499.2M

Kronos提供了一组不同规模的模型，让你根据自己的算力和需求灵活选择：

几个要点说明一下：

• Kronos-mini虽然只有4.1M参数，但上下文窗口达到了2048，是所有模型中最长的。轻量级部署场景首选。
• Kronos-small/base上下文为512，使用时输入的历史数据长度（lookback）不要超过这个值，模型会自动截断超长部分。
• 所有开源模型都在Hugging Face上可直接下载，模型名称以NeoQuasar开头。
• Kronos-large暂未开源，但看参数量499.2M，应该是最强版本，期待后续开放。

Kronos模型在三大预测任务（价格预测、收益预测、波动率预测）上的性能对比图

④ 效果到底怎么样？

光说架构不聊效果都是耍流氓。Kronos的论文给出了非常扎实的实验数据：

在价格预测任务上，RankIC跃升93%：这意味着模型对价格排序的判断能力有了质的飞跃。收益预测IC提升40%，波动率预测MAE降低9%，也都是非常显著的改进。

腾讯新闻《清华KRONOS开源》

https://new.qq.com/rain/a/20250925A06QIS00

而且，Kronos有一个非常强的特性：卓越的零样本性能。

什么意思？就是你不需要在目标市场做任何微调，模型直接就能给出不错的结果。它用全球45个交易所的数据预训练，学到的模式有很强的泛化能力：无论是美股、A股还是加密货币，它都能直接上手。

团队还提供了在线Demo，可以看BTC/USDT未来24小时的走势预测结果。感兴趣的自己去体验：

在线Demo：BTC/USDT 24小时预测

https://shiyu-coder.github.io/Kronos-demo

⑤ 手把手教你用：从安装到预测

说了这么多，能不能上手跑起来才是关键。好消息是，Kronos的接口封装得非常简洁，几行代码就能出结果。

5.1 环境安装

首先确保Python 3.10+，然后安装依赖：

# 克隆项目git clone https://github.com/shiyu-coder/Kronos.git cd Kronos# 安装依赖 pip install -r requirements.txt

5.2 加载模型与分词器

从Hugging Face Hub加载预训练模型：

from model import Kronos, KronosTokenizer, KronosPredictor# 加载分词器和模型tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

5.3 初始化预测器

# 初始化预测器，指定上下文窗口长度predictor = KronosPredictor(model, tokenizer, max_context=512)

5.4 准备数据

预测器需要三个输入：

• df：包含历史K线数据的DataFrame，必须包含 open, high, low, close 列，volume 和 amount 为可选
• x_timestamp：历史数据对应的时间戳
• y_timestamp：你想预测的未来时间段的时间戳

import pandas as pd# 加载数据df = pd.read_csv("./data/XSHG_5min_600977.csv") df['timestamps'] = pd.to_datetime(df['timestamps'])# 定义回看窗口和预测长度lookback = 400 pred_len = 120# 准备预测器输入x_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']

5.5 生成预测

# 生成预测结果pred_df = predictor.predict(    df=x_df,    x_timestamp=x_timestamp,    y_timestamp=y_timestamp,    pred_len=pred_len,    T=1.0,           # 采样温度    top_p=0.9,        # 核采样概率    sample_count=1    # 生成路径数量（可多条取平均）)    print("预测结果：")print(pred_df.head())

实战提示：sample_count参数很有意思。设为1就是单次采样，设大一点（比如10）就是生成多条预测路径然后取平均，可以降低随机性。做概率预测的时候这个参数很实用。另外，温度T越低，输出越确定；T越高，输出越随机多样。

5.6 批量预测

如果你要同时对多只标的做预测，Kronos提供了 predict_batch 方法，利用GPU并行计算提升效率：

# 准备多个数据集df_list = [df1, df2, df3]x_timestamp_list = [x_ts1, x_ts2, x_ts3]y_timestamp_list = [y_ts1, y_ts2, y_ts3]# 批量预测pred_df_list = predictor.predict_batch(    df_list=df_list,    x_timestamp_list=x_timestamp_list,    y_timestamp_list=y_timestamp_list,    pred_len=pred_len,    T=1.0,    top_p=0.9,    sample_count=1,

注意：批量预测要求所有序列的历史长度（lookback）和预测长度（pred_len）必须一致，每个DataFrame必须包含 open, high, low, close 列。volume 和 amount 缺失时会自动填零。

5.7 可视化Demo

项目提供了完整的预测+可视化脚本，位于 examples/prediction_example.py。运行后会生成一张对比图，展示真实走势与模型预测的对比。

另外还有一个不需要成交量和成交额数据的脚本：examples/prediction_wo_vol_example.py，只有OHLC也能跑。

Kronos预测效果对比图:真实走势 vs 模型预测

⑥ A股微调实战：从Demo到生产

预训练模型虽好，但你想在自己的数据上做微调才能发挥最大价值。Kronos提供了一套完整的微调流水线，以A股市场为例，我来教你用Qlib准备数据、微调模型、做回测。

免责声明：这条流水线是一个演示，不是生产级量化系统。真正稳健的量化策略需要组合优化、风险因子中性化等更多技术。本文仅做技术分享，不构成任何建议。

6.1 安装Qlib

pip install pyqlib

然后按照Qlib官方指南下载和设置本地数据。

6.2 四步走流水线

• Step 1：配置实验：修改 finetune/config.py 中的路径和超参数，包括Qlib数据路径、数据集保存路径、模型检查点路径、预训练模型路径等。
• Step 2：准备数据→运行 finetune/qlib_data_preprocess.py，从Qlib目录加载原始行情数据，处理后分成训练/验证/测试集，保存为pickle文件。
• Step 3：微调模型分两阶段：先微调分词器 train_tokenizer.py，再微调预测器 train_predictor.py 。两个脚本都支持多GPU训练，用 torchrun 启动。
• Step 4：回测评估：运行 finetune/qlib_test.py，加载模型推理，生成信号，运行简单的Top-K策略回测。

6.3 微调命令示例

# 微调分词器（2卡示例）torchrun --standalone --nproc_per_node=2 finetune/train_tokenizer.py# 微调预测器（2卡示例）torchrun --standalone --nproc_per_node=2 finetune/train_predictor.py# 回测评估python finetune/qlib_test.py --device cuda:0

实战要点：微调分词器是为了让BSQ量化更适配你的数据分布；微调预测器才是提升预测精度的关键。两者顺序不能反，先调分词器再调预测器。

A股微调回测示例：累计收益曲线对比

⑦ 从Demo到生产：关键注意事项

Kronos的Demo和微调脚本看起来很香，但如果你想把它用到实盘级别，有几个核心问题必须想清楚：

• 原始信号 ≠ 纯Alpha：模型输出的预测信号是”原始信号”，还没经过任何风险处理。在真实的量化流程中，这些信号需要送入组合优化模型，对冲掉市场Beta、风格因子等常见风险暴露，才能提取出”纯Alpha”。直接用原始信号做决策，跟裸奔差不多。
• 数据适配：项目里的QlibDataset只是个示例，换成你自己的数据源，加载和预处理的逻辑都得改。不同数据格式的对齐、缺失值处理、复权方式，都会影响最终效果。
• 策略复杂度：示例里用的是简单Top-K策略，这只是起点。生产级策略要考虑组合构建、动态仓位管理、风控规则（止损/止盈逻辑），回测也要精细建模交易成本、滑点和市场冲击。
• 模型局限性：Kronos是概率预测模型，输出的是采样结果，不是确定性答案。温度参数、采样次数、Top-P值都会影响结果的稳定性和多样性，需要反复调试验证。

实战提醒：Kronos是一个研究级工具，不是一键致富的按钮。任何模型在实盘中的表现都可能和回测差异巨大，请务必保持敬畏之心，做好充分的风险评估。

⑧ 技术深挖：BSQ量化到底怎么工作的？

前面我用比较通俗的方式讲了BSQ分词器的原理，这里给想深入的朋友再展开一下。

BSQ全称Binary Spherical Quantization（二进制球面量化），它的核心思想是：把连续的潜在向量投影到可学习的超平面上，通过判断向量落在超平面的哪一侧，得到一个二进制编码。多层超平面叠加，就能形成层次化的离散表示。

在Kronos中，每根K线的6维OHLCVA数据，经过编码器映射到潜在空间后，会被BSQ量化为两组子token：

这种分层设计的好处是显而易见的：模型在预测时，可以”先定方向、再定细节”，既不会迷失在大方向上，也不会丢失微观信息。这跟人类看盘的逻辑是一样的：先看大趋势在哪，再找具体的进出场时机。

而自回归Transformer的训练目标，就是在给定前面所有token的条件下，依次预测下一个粗粒度子token和细粒度子token。通过交叉注意力机制，粗细粒度信息能够相互交互和融合，最终形成对市场的完整理解。

老余提示：这种"分词→预训练"的范式跟NLP里GPT的路线高度一致。区别在于，自然语言的token天然是离散的（字、词），而K线的token需要从连续数据中"造"出来。BSQ就是解决这个"造词"问题的核心工具。

⑨ 资源汇总

我把所有相关链接整理在这里，方便大家查阅：

开源协议：Kronos采用MIT License，商用友好。你可以自由使用、修改和分发，只需保留原始版权声明即可。

⑩ 写在最后

Kronos不只是一个模型，它代表了一种新的思路：让AI真正学会金融市场的”语言”，而不是用通用工具硬套。从BSQ分词器把K线变成”词”，到自回归Transformer学会”续写行情”，整个框架跟GPT处理自然语言的逻辑一脉相承，但每一步都针对金融数据的特性做了深度优化。

作为从业者，我的建议是：不管你现在是做量化还是做AI，都值得花时间研究Kronos，它的技术框架有很强的通用性，完全可以融入你的量化系统中。

我是老余捞鱼，我们下期见。

参考来源：

• GitHub Kronos项目(https://github.com/shiyu-coder/Kronos)
• 腾讯新闻《清华KRONOS开源，K线不是玄学！金融AI迎来GPT时代》(https://new.qq.com/rain/a/20250925A06QIS00) 
• arXiv论文(https://arxiv.org/abs/2508.02739)

风险提示：本文仅供参考，不构成投资建议。投资有风险，入市需谨慎。

版权声明：本文为原创内容，转载请注明出处。

#Kronos #金融AI #K线预测 #开源模型 #量化研究 #清华大学 #AAAI2026 #Transformer #时序基础模型 #金融科技 #HuggingFace #A股