Kronos K线预测完整指南3 条命令画出你的第一张预测曲线【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/KronosKronos 是目前第一个开源的金融 K 线基础模型在 45 个全球交易所的行情上预训练输入一段历史 K 线就能输出未来的价格与成交量。本文写给刚接触量化交易、想快速验证 K 线预测效果的人从装环境到出图一次讲完。Kronos 是什么K 线也有自己的语言模型传统技术指标要针对每个市场手工设计经验很难复用。Kronos 换了条路先用 tokenizer 把 OHLCV 多维数据压缩成层级离散 token再让 decoder-only 的自回归 Transformer 在这些 token 上学会市场的语言。好处是一套权重通吃不同市场、不同频率、不同资产。对使用者来说最实际的价值是不用自己提炼特征数据进去预测出来。图中左半是 tokenization 管道右半是自回归预训练。数据被压成 token 后预测问题就变成接着往下写这正是同一模型既能看股票也能看加密货币的原因。 Kronos 安装步骤3 条命令看到预测结果前提只有 Python 3.10然后git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt第一条拉取项目第二条进入根目录第三条装齐 torch≥2.0、pandas、matplotlib 等依赖。接着直接跑官方示例脚本python examples/prediction_example.py脚本做的事一句话概括用 400 根历史 K 线lookback400预测接下来 120 根pred_len120最后画出对比图。第 49 行默认读取./data/XSHG_5min_600977.csv把路径换成你自己的 K 线 CSV 即可开跑。Kronos 核心功能拆解从预测曲线到回测曲线 单序列预测predict() 一次调用出曲线结论归一化、截断、反归一化这些脏活都被KronosPredictor包好了你的代码只有几行。传入 df、两段时间戳和采样参数返回的是对齐到 y_timestamp、含 open/high/low/close/volume 的 DataFrame核心实现在 model/。pred_df predictor.predict(dfx_df, x_timestampx_timestamp, y_timestampy_timestamp, pred_len120, T1.0, top_p0.9, sample_count1)上图上栏是收盘价、下栏是成交量蓝为真实值、红为预测。示例里模型跟住了真实值的方向和幅度两个成交量峰值位置也对上。想要概率化的预测把sample_count调大取多条路径平均即可。 回测验证qlib 顶 K 策略怎么跑结论仓库自带一条 A 股全流程——数据预处理、tokenizer 与 predictor 两段式微调、top-K 回测你只需要装好 pyqlib 并备好日线数据。先跑python finetune/qlib_data_preprocess.py切分数据用 torchrun 完成两段训练最后python finetune/qlib_test.py --device cuda:0图中两条曲线分别是策略累计收益和超额收益这是判断模型有没有alpha最直观的方式。注意 README 已声明这只是演示级 top-K 策略生产使用前要叠加风险因子中性化、成本与滑点建模。 自定义微调用自己的 CSV 数据结论只要有一份自己市场的 K 线 CSV一条命令就能微调不必绕 qlib 流程。CSV 必须含 timestamps/open/high/low/close/volume/amount 七列后两列没有就全填 0。在 finetune_csv/ 下改好 config 里的 data_path 和预训练模型路径然后cd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml这是用港股阿里 09988 五分钟 K 线微调后的示例输出价格和成交量两个维度都贴住了真实走势。模板配置里lookback_window: 512、predict_window: 48可按自己的交易频率调整。仓库还带了样例数据 finetune_csv/data/HK_ali_09988_kline_5min_all.csv可直接拿来做冒烟测试。⚙️ Kronos 参数怎么调关键参数与避坑清单参数 / 要求推荐值说明max_context512small/base 的历史长度上限超出自动截断模型选型mini / small / base4.1M / 24.7M / 102.3M 参数CPU 或显存紧张选 mini数据列open/high/low/close 必填volume、amount 可选缺失时填 0T温度1.0调低输出更稳调高更发散top_p0.9核采样阈值sample_count1预测路径数调大用于抑制随机波动常见坑三个提示./data/XSHG_5min_600977.csv打不开仓库不附样例行情自备 CSV 并改路径加载 base 模型爆显存换 Kronos-mini 或 smallpredict_batch报错所有序列的 lookback 和 pred_len 必须完全一致首次运行会从模型 Hub 拉权重离线环境需提前下载好 tokenizer 与 predictorKronos 进阶玩法A 股日频流水线与多卡训练想直接预测 A 股日线examples/prediction_cn_markets_day.py用 akshare 拉数需pip install akshare一条命令完成下载、推理、结果存到 outputs/python examples/prediction_cn_markets_day.py --symbol 000001webui/ 下还有一版网页界面python run.py起服务后在浏览器里交互式预测。多卡场景用torchrun --standalone --nproc_per_nodeN拉起并行训练或把sample_count调高做多条路径的蒙特卡洛式预测。到这里路径已经压缩成一句话先跑通示例看曲线参数不对再对照清单调有自己的数据和目标后再上微调。建议今天就做一件事取一只股票最近 512 根 5 分钟 K 线把prediction_example.py跑起来看红线和蓝线的差距有多大——那才是你的量化起点。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Kronos K线预测完整指南：3 条命令画出你的第一张预测曲线
Kronos K线预测完整指南3 条命令画出你的第一张预测曲线【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/KronosKronos 是目前第一个开源的金融 K 线基础模型在 45 个全球交易所的行情上预训练输入一段历史 K 线就能输出未来的价格与成交量。本文写给刚接触量化交易、想快速验证 K 线预测效果的人从装环境到出图一次讲完。Kronos 是什么K 线也有自己的语言模型传统技术指标要针对每个市场手工设计经验很难复用。Kronos 换了条路先用 tokenizer 把 OHLCV 多维数据压缩成层级离散 token再让 decoder-only 的自回归 Transformer 在这些 token 上学会市场的语言。好处是一套权重通吃不同市场、不同频率、不同资产。对使用者来说最实际的价值是不用自己提炼特征数据进去预测出来。图中左半是 tokenization 管道右半是自回归预训练。数据被压成 token 后预测问题就变成接着往下写这正是同一模型既能看股票也能看加密货币的原因。 Kronos 安装步骤3 条命令看到预测结果前提只有 Python 3.10然后git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt第一条拉取项目第二条进入根目录第三条装齐 torch≥2.0、pandas、matplotlib 等依赖。接着直接跑官方示例脚本python examples/prediction_example.py脚本做的事一句话概括用 400 根历史 K 线lookback400预测接下来 120 根pred_len120最后画出对比图。第 49 行默认读取./data/XSHG_5min_600977.csv把路径换成你自己的 K 线 CSV 即可开跑。Kronos 核心功能拆解从预测曲线到回测曲线 单序列预测predict() 一次调用出曲线结论归一化、截断、反归一化这些脏活都被KronosPredictor包好了你的代码只有几行。传入 df、两段时间戳和采样参数返回的是对齐到 y_timestamp、含 open/high/low/close/volume 的 DataFrame核心实现在 model/。pred_df predictor.predict(dfx_df, x_timestampx_timestamp, y_timestampy_timestamp, pred_len120, T1.0, top_p0.9, sample_count1)上图上栏是收盘价、下栏是成交量蓝为真实值、红为预测。示例里模型跟住了真实值的方向和幅度两个成交量峰值位置也对上。想要概率化的预测把sample_count调大取多条路径平均即可。 回测验证qlib 顶 K 策略怎么跑结论仓库自带一条 A 股全流程——数据预处理、tokenizer 与 predictor 两段式微调、top-K 回测你只需要装好 pyqlib 并备好日线数据。先跑python finetune/qlib_data_preprocess.py切分数据用 torchrun 完成两段训练最后python finetune/qlib_test.py --device cuda:0图中两条曲线分别是策略累计收益和超额收益这是判断模型有没有alpha最直观的方式。注意 README 已声明这只是演示级 top-K 策略生产使用前要叠加风险因子中性化、成本与滑点建模。 自定义微调用自己的 CSV 数据结论只要有一份自己市场的 K 线 CSV一条命令就能微调不必绕 qlib 流程。CSV 必须含 timestamps/open/high/low/close/volume/amount 七列后两列没有就全填 0。在 finetune_csv/ 下改好 config 里的 data_path 和预训练模型路径然后cd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml这是用港股阿里 09988 五分钟 K 线微调后的示例输出价格和成交量两个维度都贴住了真实走势。模板配置里lookback_window: 512、predict_window: 48可按自己的交易频率调整。仓库还带了样例数据 finetune_csv/data/HK_ali_09988_kline_5min_all.csv可直接拿来做冒烟测试。⚙️ Kronos 参数怎么调关键参数与避坑清单参数 / 要求推荐值说明max_context512small/base 的历史长度上限超出自动截断模型选型mini / small / base4.1M / 24.7M / 102.3M 参数CPU 或显存紧张选 mini数据列open/high/low/close 必填volume、amount 可选缺失时填 0T温度1.0调低输出更稳调高更发散top_p0.9核采样阈值sample_count1预测路径数调大用于抑制随机波动常见坑三个提示./data/XSHG_5min_600977.csv打不开仓库不附样例行情自备 CSV 并改路径加载 base 模型爆显存换 Kronos-mini 或 smallpredict_batch报错所有序列的 lookback 和 pred_len 必须完全一致首次运行会从模型 Hub 拉权重离线环境需提前下载好 tokenizer 与 predictorKronos 进阶玩法A 股日频流水线与多卡训练想直接预测 A 股日线examples/prediction_cn_markets_day.py用 akshare 拉数需pip install akshare一条命令完成下载、推理、结果存到 outputs/python examples/prediction_cn_markets_day.py --symbol 000001webui/ 下还有一版网页界面python run.py起服务后在浏览器里交互式预测。多卡场景用torchrun --standalone --nproc_per_nodeN拉起并行训练或把sample_count调高做多条路径的蒙特卡洛式预测。到这里路径已经压缩成一句话先跑通示例看曲线参数不对再对照清单调有自己的数据和目标后再上微调。建议今天就做一件事取一只股票最近 512 根 5 分钟 K 线把prediction_example.py跑起来看红线和蓝线的差距有多大——那才是你的量化起点。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考