尧图网页设计 
Kronos 股票预测K线如何变成Token序列并做自回归预测【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如果你有一段较长的K线数据想直接预测未来的价格与成交量手工设计指标往往费时。Kronos 股票预测是一个开源金融K线基础模型先把OHLCV数据量化成分层离散Token再用decoder-only Transformer自回归生成未来K线几行代码即可从原始数据得到预测结果。 它是怎么工作的Kronos 是一组 decoder-only 基础模型在 45 个交易所的K线数据上预训练仓库开源了 mini、small、base 三种规格。整体是两阶段流程先Token化再自回归预测。K线数据如何变成Token序列输入是包含open/high/low/close可选volume/amount的 pandas DataFrame。KronosTokenizer先把六维序列送入编码器 Transformer再用二进制球面量化BSQ把每根K线压成分层 token前半是粗粒度子 tokens1后半是细粒度子 tokens2。解码器可以从 token 重建K线为训练提供信号推理时只调用encode。自回归生成未来K线Kronos主体是因果 Transformer 块堆叠。每个 token 经HierarchicalEmbedding映射为隐向量分钟、小时、星期、日期、月份等时间特征由TemporalEmbedding注入。解码时先预测 s1再经DependencyAwareLayer交叉注意力以 s1 为条件预测 s2形成分层自回归。采样由温度T与核采样top_p控制sample_count控制并行采样路径数并取平均。图左为K线Token化K-line Tokenization右为自回归预训练Autoregressive Pre-training。 跑起来git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt cd examples python prediction_example.py脚本读取./data/XSHG_5min_600977.csv5分钟K线该数据文件未随仓库附带需自备含timestamps/open/high/low/close列的 CSVvolume/amount可选。运行后终端打印预测结果的前几行并画出双子图上为 Close Price下为 Volume蓝色为历史真实值红色为预测区间沿时间轴的延续。几个关键参数max_contextKronos-small/base 最大上下文为 512README 建议 lookback 不超过该值超长序列会被KronosPredictor自动截断Kronos-mini 上下文为 2048。模型规格模型库提供 mini4.1M 参数、small24.7M、base102.3M三种开源规模显存有限时从 mini/small 开始。微调训练在配置中调整batch_size模板值为 32多卡训练用torchrun --nproc_per_nodeN指定 GPU 数。 效果如何仓库提供了A股 Qlib 微调流程的回测示例运行入口是python finetune/qlib_test.py --device cuda:0。图表包含带成本累计收益与累计超额收益两联图last/mean/max/min 四条曲线对应不同推理设置虚线为 CSI300 基准示例区间2024-07 至 2025-05内策略曲线在后半段大多位于基准之上超额收益整体为正。适用条件与局限需要同时注意README 明确说明该微调流程是简化演示不是生产级量化交易系统。回测采用简单 top-K 策略README 建议生产环境引入组合优化与风险因子中性化且未建模滑点与市场冲击。Qlib 微调示例基于日线频率数据prediction_example.py使用 5 分钟K线finetune_csv示例为港股 09988 的 5 分钟K线迁移到其他频率需自行验证。推理是概率采样单次运行结果有波动提高sample_count取平均可以平滑输出。还能怎么用多股票批量预测predictor.predict_batch(...)源码在 model/kronos.py要求各序列的 lookback 与pred_len相同按输入顺序返回 DataFrame 列表适合指数成分股场景。在自有 CSV 上微调finetune_csv/ 下运行python train_sequential.py --config configs/config_ali09988_candle-5min.yaml示例数据见 finetune_csv/data/HK_ali_09988_kline_5min_all.csv支持 torchrun 启动 DDP 多卡训练。图形界面python webui/run.py在 7070 端口启动 Flask 页面可载入 CSV/Feather 数据并在页面上调整 temperature、top_p、sample_count。相关资源README.md安装、模型库、预测与微调回测的完整说明model/KronosTokenizer、Kronos、KronosPredictor 的源码实现examples/可运行的预测示例如 prediction_example.py、prediction_batch_example.pyfinetune_csv/自定义 CSV 微调流程、配置模板与示例K线数据webui/图形化预测界面及其使用说明【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 股票预测：K线如何变成Token序列并做自回归预测
Kronos 股票预测K线如何变成Token序列并做自回归预测【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如果你有一段较长的K线数据想直接预测未来的价格与成交量手工设计指标往往费时。Kronos 股票预测是一个开源金融K线基础模型先把OHLCV数据量化成分层离散Token再用decoder-only Transformer自回归生成未来K线几行代码即可从原始数据得到预测结果。 它是怎么工作的Kronos 是一组 decoder-only 基础模型在 45 个交易所的K线数据上预训练仓库开源了 mini、small、base 三种规格。整体是两阶段流程先Token化再自回归预测。K线数据如何变成Token序列输入是包含open/high/low/close可选volume/amount的 pandas DataFrame。KronosTokenizer先把六维序列送入编码器 Transformer再用二进制球面量化BSQ把每根K线压成分层 token前半是粗粒度子 tokens1后半是细粒度子 tokens2。解码器可以从 token 重建K线为训练提供信号推理时只调用encode。自回归生成未来K线Kronos主体是因果 Transformer 块堆叠。每个 token 经HierarchicalEmbedding映射为隐向量分钟、小时、星期、日期、月份等时间特征由TemporalEmbedding注入。解码时先预测 s1再经DependencyAwareLayer交叉注意力以 s1 为条件预测 s2形成分层自回归。采样由温度T与核采样top_p控制sample_count控制并行采样路径数并取平均。图左为K线Token化K-line Tokenization右为自回归预训练Autoregressive Pre-training。 跑起来git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt cd examples python prediction_example.py脚本读取./data/XSHG_5min_600977.csv5分钟K线该数据文件未随仓库附带需自备含timestamps/open/high/low/close列的 CSVvolume/amount可选。运行后终端打印预测结果的前几行并画出双子图上为 Close Price下为 Volume蓝色为历史真实值红色为预测区间沿时间轴的延续。几个关键参数max_contextKronos-small/base 最大上下文为 512README 建议 lookback 不超过该值超长序列会被KronosPredictor自动截断Kronos-mini 上下文为 2048。模型规格模型库提供 mini4.1M 参数、small24.7M、base102.3M三种开源规模显存有限时从 mini/small 开始。微调训练在配置中调整batch_size模板值为 32多卡训练用torchrun --nproc_per_nodeN指定 GPU 数。 效果如何仓库提供了A股 Qlib 微调流程的回测示例运行入口是python finetune/qlib_test.py --device cuda:0。图表包含带成本累计收益与累计超额收益两联图last/mean/max/min 四条曲线对应不同推理设置虚线为 CSI300 基准示例区间2024-07 至 2025-05内策略曲线在后半段大多位于基准之上超额收益整体为正。适用条件与局限需要同时注意README 明确说明该微调流程是简化演示不是生产级量化交易系统。回测采用简单 top-K 策略README 建议生产环境引入组合优化与风险因子中性化且未建模滑点与市场冲击。Qlib 微调示例基于日线频率数据prediction_example.py使用 5 分钟K线finetune_csv示例为港股 09988 的 5 分钟K线迁移到其他频率需自行验证。推理是概率采样单次运行结果有波动提高sample_count取平均可以平滑输出。还能怎么用多股票批量预测predictor.predict_batch(...)源码在 model/kronos.py要求各序列的 lookback 与pred_len相同按输入顺序返回 DataFrame 列表适合指数成分股场景。在自有 CSV 上微调finetune_csv/ 下运行python train_sequential.py --config configs/config_ali09988_candle-5min.yaml示例数据见 finetune_csv/data/HK_ali_09988_kline_5min_all.csv支持 torchrun 启动 DDP 多卡训练。图形界面python webui/run.py在 7070 端口启动 Flask 页面可载入 CSV/Feather 数据并在页面上调整 temperature、top_p、sample_count。相关资源README.md安装、模型库、预测与微调回测的完整说明model/KronosTokenizer、Kronos、KronosPredictor 的源码实现examples/可运行的预测示例如 prediction_example.py、prediction_batch_example.pyfinetune_csv/自定义 CSV 微调流程、配置模板与示例K线数据webui/图形化预测界面及其使用说明【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