尧图网页设计 
8 分钟、千只股票Kronos 金融预测怎么上手【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 是目前首个专为 K 线数据构建的开源基础模型它在超过 45 家全球交易所的 K 线上训练通过 Kronos 金融预测输出标的未来的 K 线与成交量。官方公布的测试中批量分析 1000 只股票只需约 8 分钟。还在一只只人工分析股票吗单只股票人工看 K 线没问题但换成指数里三四百只成分股人工就没法做了换一下观察窗口、换一批数据全部重来等跑完当天的盘中窗口早就过去了。这是批量股票分析的真实瓶颈——工作量随股票数量线性增长模型再准也等不起。Kronos 改变的是这种工作方式把「一只只看图」变成一次批量推理任务把原本需要数小时的大规模分析压缩到分钟级。3 分钟跑起来这一节用两步带你跑通第一次预测装好依赖再打开图形界面做一次预测。先克隆仓库并安装依赖需要 Python 3.10git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt不想写代码的话直接启动 Web 界面cd webui python run.py启动后在浏览器打开 http://localhost:7070 加载你的数据文件选择模型和计算设备CPU、CUDA、Apple MPS 都可以拖动滑块选时间窗口点预测结果图表就出来了。想走代码路线入口是KronosPredictor类完整可运行的样例见 预测示例。三个关键参数用大白话说max_context模型一次最多能看多长的历史 K 线超出的部分预测器会自动截断不用你处理lookback你实际喂给模型多少根历史 K 线建议不超过 max_context 上限pred_len要预测未来多少根返回的就是这若干根 K 线的开高低收与成交量多只股票同时跑时用predict_batch即可并行预测要求各序列的历史长度和预测长度一致。它内部到底在做什么一句话Kronos 把 K 线当成大语言模型对待文本的方式——先「分词」成离散符号再用自回归 Transformer 预测下一个符号。整个过程分两级Tokenizer把连续的 OHLCV 数值量化成分层的离散 token。类比成「把照片压缩成色块马赛克」——第一层 token 记录大致轮廓趋势方向第二层再补细节具体涨跌。这个压缩由 BSQ 量化器完成每根 K 线最终变成一组「字符」而不是一串浮点数。Predictordecoder-only 的自回归 Transformer配因果注意力——只能看前文、不能偷看后文就像写句子下一个字只由前面的内容决定。它在几十个市场的 token 上预训练过相当于「听过各市场方言」遇到没见过的标的也能给出合理推测。Kronos 的两阶段流程连续 K 线数据先经 Tokenizer 量化为离散 token再由自回归 Transformer 基于历史 token 序列生成未来 K 线。预测得准不准看项目公开的两类实测结果单标的预测以及批量回测。整体实测指标价格预测准确率超过 85%项目公布数据成交量预测的趋势与实际走势吻合以策略形式跑回测时可对比含交易成本的累积收益与基准指数看超额收益与风险调整后的表现预测信号驱动的策略累积收益曲线与基准指数的对比两条曲线之差即超额收益。单只股票走一遍以官方示例为准600977 的 5 分钟 K 线lookback 取 400 根模型预测后续 120 根。拿到的是 120 根 K 线的开高低收和成交量把预测曲线和真实曲线叠在一起看价格走向与量能起伏基本同步。上收盘价下成交量。蓝色为真实值红色为模型预测值。换上自己的数据如果预训练模型在你关注的市场或标的上不满意可以用仓库提供的完整流程微调一共四步配置修改 微调配置 里的路径与超参数——数据目录、检查点保存位置、训练轮数都集中在这里数据准备跑python finetune/qlib_data_preprocess.py生成训练/验证/测试集依赖 pyqlib两级训练先torchrun配合finetune/train_tokenizer.py让分词器适配你的数据分布再跑finetune/train_predictor.py微调预测主体支持多卡验证python finetune/qlib_test.py --device cuda:0做 top-K 回测输出累积收益曲线和性能汇总如果数据是 CSV 格式timestamps / open / high / low / close / volume / amount后两列没有数据时填 0 即可有更轻的路子CSV 微调文档 里train_sequential.py一条命令依次训完两个模块支持多卡 DDP。下图是把模型放到阿里巴巴09988的 5 分钟 K 线上微调后的预测结果在港交所 09988 五分钟 K 线数据上微调后模型对历史窗口的拟合与对未来的预测示意。需要多少硬件官方建议的环境与公布的优化数据如下。资源建议配置GPU≥40GB 显存CPU多核心处理器内存≥256GB官方公布的优化效果显存占用降低 20%分析效率提升 53.8%时间成本节省 67%。模型家族共四档按机器情况挑模型参数量上下文长度是否开源Kronos-mini4.1M2048是Kronos-small24.7M512是Kronos-base102.3M512是Kronos-large499.2M512否机器不够就先用 mini 起步它的上下文也是最长的一档。先弄清楚三件事适合谁用会看几行 Python 就能用个人投资者选股、需要批量预测信号的量化研究者、想做千股并行筛查的风控团队都在射程内。完全不想写代码用 webui 图形界面也能覆盖基本流程。要准备什么数据有 open / high / low / close 的 K 线数据就行volume 和 amount 可选缺失填 0。日频、分钟频都可以官方示例与微调案例用的都是 5 分钟线。开源免费吗代码为 MIT 协议mini / small / base 三档权重全部开源论文已被 AAAI 2026 接收。你唯一要出的成本是自己的机器或云算力。把「读 K 线」从手工活变成批处理任务就是 Kronos 想做的事。如果你在做选股研究、板块筛查或风险监控今天就可以把仓库克隆下来跑第一次预测。【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 8 分钟、千只股票：Kronos 金融预测怎么上手
8 分钟、千只股票Kronos 金融预测怎么上手【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 是目前首个专为 K 线数据构建的开源基础模型它在超过 45 家全球交易所的 K 线上训练通过 Kronos 金融预测输出标的未来的 K 线与成交量。官方公布的测试中批量分析 1000 只股票只需约 8 分钟。还在一只只人工分析股票吗单只股票人工看 K 线没问题但换成指数里三四百只成分股人工就没法做了换一下观察窗口、换一批数据全部重来等跑完当天的盘中窗口早就过去了。这是批量股票分析的真实瓶颈——工作量随股票数量线性增长模型再准也等不起。Kronos 改变的是这种工作方式把「一只只看图」变成一次批量推理任务把原本需要数小时的大规模分析压缩到分钟级。3 分钟跑起来这一节用两步带你跑通第一次预测装好依赖再打开图形界面做一次预测。先克隆仓库并安装依赖需要 Python 3.10git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt不想写代码的话直接启动 Web 界面cd webui python run.py启动后在浏览器打开 http://localhost:7070 加载你的数据文件选择模型和计算设备CPU、CUDA、Apple MPS 都可以拖动滑块选时间窗口点预测结果图表就出来了。想走代码路线入口是KronosPredictor类完整可运行的样例见 预测示例。三个关键参数用大白话说max_context模型一次最多能看多长的历史 K 线超出的部分预测器会自动截断不用你处理lookback你实际喂给模型多少根历史 K 线建议不超过 max_context 上限pred_len要预测未来多少根返回的就是这若干根 K 线的开高低收与成交量多只股票同时跑时用predict_batch即可并行预测要求各序列的历史长度和预测长度一致。它内部到底在做什么一句话Kronos 把 K 线当成大语言模型对待文本的方式——先「分词」成离散符号再用自回归 Transformer 预测下一个符号。整个过程分两级Tokenizer把连续的 OHLCV 数值量化成分层的离散 token。类比成「把照片压缩成色块马赛克」——第一层 token 记录大致轮廓趋势方向第二层再补细节具体涨跌。这个压缩由 BSQ 量化器完成每根 K 线最终变成一组「字符」而不是一串浮点数。Predictordecoder-only 的自回归 Transformer配因果注意力——只能看前文、不能偷看后文就像写句子下一个字只由前面的内容决定。它在几十个市场的 token 上预训练过相当于「听过各市场方言」遇到没见过的标的也能给出合理推测。Kronos 的两阶段流程连续 K 线数据先经 Tokenizer 量化为离散 token再由自回归 Transformer 基于历史 token 序列生成未来 K 线。预测得准不准看项目公开的两类实测结果单标的预测以及批量回测。整体实测指标价格预测准确率超过 85%项目公布数据成交量预测的趋势与实际走势吻合以策略形式跑回测时可对比含交易成本的累积收益与基准指数看超额收益与风险调整后的表现预测信号驱动的策略累积收益曲线与基准指数的对比两条曲线之差即超额收益。单只股票走一遍以官方示例为准600977 的 5 分钟 K 线lookback 取 400 根模型预测后续 120 根。拿到的是 120 根 K 线的开高低收和成交量把预测曲线和真实曲线叠在一起看价格走向与量能起伏基本同步。上收盘价下成交量。蓝色为真实值红色为模型预测值。换上自己的数据如果预训练模型在你关注的市场或标的上不满意可以用仓库提供的完整流程微调一共四步配置修改 微调配置 里的路径与超参数——数据目录、检查点保存位置、训练轮数都集中在这里数据准备跑python finetune/qlib_data_preprocess.py生成训练/验证/测试集依赖 pyqlib两级训练先torchrun配合finetune/train_tokenizer.py让分词器适配你的数据分布再跑finetune/train_predictor.py微调预测主体支持多卡验证python finetune/qlib_test.py --device cuda:0做 top-K 回测输出累积收益曲线和性能汇总如果数据是 CSV 格式timestamps / open / high / low / close / volume / amount后两列没有数据时填 0 即可有更轻的路子CSV 微调文档 里train_sequential.py一条命令依次训完两个模块支持多卡 DDP。下图是把模型放到阿里巴巴09988的 5 分钟 K 线上微调后的预测结果在港交所 09988 五分钟 K 线数据上微调后模型对历史窗口的拟合与对未来的预测示意。需要多少硬件官方建议的环境与公布的优化数据如下。资源建议配置GPU≥40GB 显存CPU多核心处理器内存≥256GB官方公布的优化效果显存占用降低 20%分析效率提升 53.8%时间成本节省 67%。模型家族共四档按机器情况挑模型参数量上下文长度是否开源Kronos-mini4.1M2048是Kronos-small24.7M512是Kronos-base102.3M512是Kronos-large499.2M512否机器不够就先用 mini 起步它的上下文也是最长的一档。先弄清楚三件事适合谁用会看几行 Python 就能用个人投资者选股、需要批量预测信号的量化研究者、想做千股并行筛查的风控团队都在射程内。完全不想写代码用 webui 图形界面也能覆盖基本流程。要准备什么数据有 open / high / low / close 的 K 线数据就行volume 和 amount 可选缺失填 0。日频、分钟频都可以官方示例与微调案例用的都是 5 分钟线。开源免费吗代码为 MIT 协议mini / small / base 三档权重全部开源论文已被 AAAI 2026 接收。你唯一要出的成本是自己的机器或云算力。把「读 K 线」从手工活变成批处理任务就是 Kronos 想做的事。如果你在做选股研究、板块筛查或风险监控今天就可以把仓库克隆下来跑第一次预测。【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