Kronos

📈 Kronos：让 AI 读懂 K线语言

想象一个场景：你是 A 股市场的一名散户，每天盯着红绿 K线发呆。你想知道，下周贵州茄台的越势会怎样？是该加仓还是止损？此时，你打开一个界面，上传最近 400 根日 K线数据，点下「预测」——几秒后，屏幕上出现了一条蓝色曲线，告诉你未来 120 根 K线最可能的趋向。

这不是玄学，而是一群研究者花了大量时间训练出来的 AI 模型——Kronos，首个针对金融市场 K线序列的开源基础模型，已被人工智能顶会 AAAI 2026 接收。

图1：Kronos 两阶段训练框架：K线分词器量化 OHLCV 数据，Transformer 学习序列模式

🌟 背景故事：为什么 K线也需要大模型？

传统量化模型通常依赖人工设计的特征——移动平均线、RSI 指标、MACD 等。这些特征需要金融领域专家手动提取，且难以迁移到新市场。Kronos 的研究者提出了一个更根本的问题：能否让 AI 自己从 K线数据中学习市场的语言？

这个想法的核心洞察是：K线本质上是一种「时间序列语言」。就像自然语言处理中把单词 tokenize 成 token 一样，Kronos 将连续的 OHLCV（开盘价、最高价、最低价、收盘量）数据，通过一个专门的 K-line Tokenizer 量化为离散的层级 token，然后再用 Transformer 自回归预测下一个 token。

Kronos 的训练数据来自 45+ 个全球交易所，覆盖股票、加密货币、期货等多种市场，数据量之大、场景之丰富，使其成为一个真正意义上的金融领域基础模型。

⚙️ 核心技术：两阶段训练框架

Kronos 采用了创新的两阶段训练范类式：

第一阶段：层级分词（Hierarchical Tokenization）

传统的数值型时序数据直接输入 Transformer 时，需要处理连续高维空间，学习效率低下。Kronos 的分词器将 OHLCV 数据压缩为离散 token，通过聚类建立从连续值到离散类别的映射。这种方式类似于 NLP 中的 BPE 分词，让模型能在更短的序列长度内表达更丰富的信息。

第二阶段：自回归 Transformer 预训练

基于分词后的 token 序列，Kronos 使用decoder-only Transformer（与 GPT 系列相同的架构）进行大规模预训练。模型学习预测下一组 K线 token，从而掌握市场的潜在规律。

Kronos 家族包含多个规模的模型：

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

从 4.1M 到 499.2M 参数，开发者可以根据硬件条件选择合适的模型。Kronos-mini 仅需 4.1M 参数，适合轻量级研究；Kronos-large 则提供了最强的预测能力。

图2：Kronos 在真实市场数据上的预测效果，蓝色为历史 K线，橙色为模型预测

🎯 核心功能与使用场景

1. 时序预测（Forecasting）

这是 Kronos 的核心功能。用户只需准备 OHLCV 格式的历史 K线数据（CSV 格式），加载模型，运行几行 Python 代码即可获得未来 K线序列的预测。Kronos 提供了 KronosPredictor 封装类，自动处理数据归一化、截断、反归一化等步骤。

2. 微调（Fine-tuning）

Kronos 支持在特定市场或特定资产上进行微调。finetune/ 目录提供了完整的微调脚本，支持 Qlib 格式数据的预处理。用户可以用自己的数据集训练专属的预测模型，提升在特定标的上的准确性。

3. 回测（Backtesting）

examples/ 中的 run_backtest_kronos.py 提供了完整的回测框架。用户可以用历史数据模拟真实交易环境，评估 Kronos 预测在真实交易策略中的有效性。

4. Web UI 可视化

不想写代码？webui/ 目录提供了一个基于 Flask 的图形界面，支持上传数据文件、选择模型大小、调节采样参数（Temperature、Top-P）、实时查看 K线预测结果，适合非技术用户快速体验。

🖥️ 上手门槛与使用方式

CLI 方式（推荐给开发者）：

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)
predictions = predictor.predict(ohlcv_data, lookback=400, horizon=120)

Web UI 方式（适合非技术人员）：

cd webui
python run.py
# 访问 http://localhost:7070

硬件需求：

• Kronos-small/base：推荐 8GB+ 显存 GPU（RTX 3080 以上），也可 CPU 推理（较慢）
• Kronos-mini：CPU 可运行，适合笔记本部署
• 所有模型均支持 CUDA MPS（Apple Silicon M 系列 GPU）

⚠️ 争议与局限性

1. 金融预测的固有限制

Kronos 再强大，也无法预测黑天天事件。2020 年新出病爆发、2022 年 Luna 崩盘这类极端市场事件，本质上是外部信息驱动的突变，不在历史数据的分布之内。任何 AI 预测模型都应作为辅助工具，而非决策的唯一依据。

2. 开源模型的商业可用性

Kronos-large（最大规模，499.2M 参数）目前不开源，仅提供 API 访问。开源版本中最强的是 Kronos-base（102.3M），与大型商业模型存在一定差距。对于需要更高精度的专业量化场景，可能需要额外微调。

3. 数据质量依赖

模型预测质量高度依赖输入数据的质量。如果 K线数据存在缺失值、前复权/后复权不一致、除权除息处理不当等问题，预测结果会出现偏差。用户在使用前需要做好数据清洗。

🌐 行业意义与未来展望

Kronos 的出现填补了开源社区在金融时序基础模型方面的空白。在此之前，大多数 K线预测研究都是小规模、单资产的实验，缺乏一个通用的foundation model。Kronos 的两阶段 tokenization 思路（将连续数据转为离散 token 再用 Transformer 学习）也为其他时序领域（气谱、能源、IoT）提供了参考。

被 AAAI 2026 接收也说明，AI + 金融这个方向正在从「概念验证」走向「系统研究」。未来，随着更多高质量市场数据的开源和更大规模预训练的引入，金融时序基础模型有望成为量化研究和交易系统的标准组件。

---

一句话总结： Kronos 是金融 AI 领域的一个里程碑项目，它将 NLP 中证明有效的「基础模型 + 分词 + 自回归」范式引入 K线分析，让 AI 真正学会读懂市场的语言。虽然不是万能预测神器，但它是目前开源生态中最具潜力的金融时序基础模型，值得量化研究者、Algorithmic Trader 和 AI 爱好者深入探索。

项目链接： GitHub · HuggingFace · arXiv · Live Demo