尧图网页设计 
Kronos金融大模型快速上手指南3步免费完成AI K线股票预测完整教程【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是首个面向K线数据的开源金融基础模型在45家以上全球交易所的K线数据上完成预训练。它把K线翻译成机器能读懂的离散令牌再用3行代码即可预测未来价格与成交量。自带Web界面、批量预测与微调流水线MIT协议完全免费——本文带你10分钟从安装跑到第一次预测。最快上手路径Kronos金融大模型3步安装与启动 ⚡第1步克隆仓库并装依赖需 Python 3.10git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txtrequirements.txt 只列了 torch、pandas、matplotlib 等 9 个常见依赖装起来不费劲。第2步选起点不想写代码在仓库根目录执行cd webui python run.py然后浏览器打开 http://localhost:7070上传 CSV 后用鼠标选模型、调温度、出预测CPU、NVIDIA GPU、Apple 芯片都支持详见 webui/README.md想写代码直接改 examples/prediction_example.py 跑通全流程。第3步最小预测示例仓库根目录下运行from model import Kronos, KronosTokenizer, KronosPredictor import pandas as pd tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512) df pd.read_csv(data.csv) # 需含 open/high/low/close 列 pred_df predictor.predict(dfdf, x_timestampx_ts, y_timestampy_ts, pred_len120)predict内部已完成归一化、预测和反归一化数据列格式直接参考 tests/data/regression_input.csvtimestamps OHLCV。模型权重首次运行自动下载。它是怎么工作的先把K线图翻译成“两级地址”原始K线是开、高、低、收、量等连续数字模型很难直接记忆。Kronos 的第一步是用分词器model/module.py 里的 BSQ 量化器把每根K线压缩成一个令牌而且令牌分两级就像门牌地址粗粒度子令牌相当于“省和市”先锁定这根K线的整体形态——大阳线还是十字星细粒度子令牌相当于“门牌号”补上影线长短、量能偏差这些细节。编码解码各走一遍只凭令牌就能还原出接近原图的K线说明压缩基本没丢信息。再用几亿根K线做“完形填空”预训练模型是一个只往后看的因果 Transformerdecoder-only预测时只能参考历史看不到未来。它像完形填空你读到“天空那么蓝太阳那么___”会自动补出“亮”。Kronos 就是这样读完 45 家以上交易所的K线每个 Transformer 块里既有块内自注意力、又有跨块交叉注意力且多个块共享参数从而学出“放量续势、缩量易回落”这类跨市场共性节奏。最后“掷骰子”式输出预测路径生成预测时不是一条定死的线而是逐个采样温度 T 控制随机性top_p 控制候选范围sample_count 生成多条路径再取平均。这类似气象员预报——不说“一定晴”而是模拟几种可能走势后综合结论所以预测曲线看起来“合理”而不机械。真实效果展示 仓库不喊口号每个效果都配有图配脚本。个股价格/成交量预测运行 examples/prediction_example.py红线是模型预测、蓝线是真实值。收盘价预测跟出了主跌和 V 型反弹的大节奏成交量预测虽然毛糙但量级和峰值位置大体对齐A股回测微调后跑 top-K 策略回测finetune/qlib_test.py。官方示例图中策略实线在 2024 年 10 月后持续位于 CSI300 基准黑色虚线上方下方图的累积超额收益长期为正、峰值约 0.15。注意 README 明确说明这只是简化演示流水线不是生产级量化系统。高频数据微调finetune_csv/ 演示了在 5 分钟K线 CSV港股 09988 为例上的一键微调说明分钟级高频数据同样适用此外论文已被 AAAI 2026 接收arXiv: 2508.02739。适合谁、怎么用用户类型典型场景推荐路径个人投资者 / 新手可视化查看单只股票未来价格与成交量webui/ 网页界面零代码量化开发多股票批量预测、信号回测KronosPredictor.predict_batchGPU 并行研究者复现论文、改架构、跑回归测试model/ 源码 tests/test_kronos_regression.py机构量化接入自有数据源或 A 股日线finetune/ Qlib 流水线 / finetune_csv/ 自定义 CSV模型家族按算力选Kronos-mini 4.1M 参数、上下文 2048Kronos-small 24.7M、上下文 512Kronos-base 102.3M、上下文 512Kronos-large 未开源。新手用 small 起步即可输入窗口建议不超过 512。常见问题问普通笔记本能跑吗能。mini/small 在 CPU 上即可运行webui 官方支持 CPU、CUDA、MPS 三类设备只有大批量预测或多卡微调训练才需要认真配 GPU。问数据什么格式CSV 即可必须含timestamps和open/high/low/close四列volume、amount可选批量预测时缺失填 0。样例见 tests/data/regression_input.csv完全没有量价数据就参考 examples/prediction_wo_vol_example.py。问预测准确率有官方指标吗仓库没有给出单一“准确率”数字可核查的是上文对比图与回测示例。建议用你自己的数据做回测并把 top-K 策略只当作评估起点。问怎么在自己的数据上微调A股日线走 finetune/ 四步流水线数据预处理→训 tokenizer→训 predictor→回测依赖 pyqlib任意 CSV 走 finetune_csv/一条python train_sequential.py --config 配置.yaml先训分词器再训预测器。写在最后Kronos 把K线这门“语言”完整开源把 AI 股票预测的尝试成本压到“装个依赖 打开一个网页”。建议先跑 webui 建立手感再写回测脚本用数据说话最后才考虑用自己的数据微调。风险提示模型输出均为概率性预测不构成任何投资建议市场有风险入市需谨慎。【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金融大模型快速上手指南：3步免费完成AI K线股票预测完整教程
Kronos金融大模型快速上手指南3步免费完成AI K线股票预测完整教程【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是首个面向K线数据的开源金融基础模型在45家以上全球交易所的K线数据上完成预训练。它把K线翻译成机器能读懂的离散令牌再用3行代码即可预测未来价格与成交量。自带Web界面、批量预测与微调流水线MIT协议完全免费——本文带你10分钟从安装跑到第一次预测。最快上手路径Kronos金融大模型3步安装与启动 ⚡第1步克隆仓库并装依赖需 Python 3.10git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txtrequirements.txt 只列了 torch、pandas、matplotlib 等 9 个常见依赖装起来不费劲。第2步选起点不想写代码在仓库根目录执行cd webui python run.py然后浏览器打开 http://localhost:7070上传 CSV 后用鼠标选模型、调温度、出预测CPU、NVIDIA GPU、Apple 芯片都支持详见 webui/README.md想写代码直接改 examples/prediction_example.py 跑通全流程。第3步最小预测示例仓库根目录下运行from model import Kronos, KronosTokenizer, KronosPredictor import pandas as pd tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512) df pd.read_csv(data.csv) # 需含 open/high/low/close 列 pred_df predictor.predict(dfdf, x_timestampx_ts, y_timestampy_ts, pred_len120)predict内部已完成归一化、预测和反归一化数据列格式直接参考 tests/data/regression_input.csvtimestamps OHLCV。模型权重首次运行自动下载。它是怎么工作的先把K线图翻译成“两级地址”原始K线是开、高、低、收、量等连续数字模型很难直接记忆。Kronos 的第一步是用分词器model/module.py 里的 BSQ 量化器把每根K线压缩成一个令牌而且令牌分两级就像门牌地址粗粒度子令牌相当于“省和市”先锁定这根K线的整体形态——大阳线还是十字星细粒度子令牌相当于“门牌号”补上影线长短、量能偏差这些细节。编码解码各走一遍只凭令牌就能还原出接近原图的K线说明压缩基本没丢信息。再用几亿根K线做“完形填空”预训练模型是一个只往后看的因果 Transformerdecoder-only预测时只能参考历史看不到未来。它像完形填空你读到“天空那么蓝太阳那么___”会自动补出“亮”。Kronos 就是这样读完 45 家以上交易所的K线每个 Transformer 块里既有块内自注意力、又有跨块交叉注意力且多个块共享参数从而学出“放量续势、缩量易回落”这类跨市场共性节奏。最后“掷骰子”式输出预测路径生成预测时不是一条定死的线而是逐个采样温度 T 控制随机性top_p 控制候选范围sample_count 生成多条路径再取平均。这类似气象员预报——不说“一定晴”而是模拟几种可能走势后综合结论所以预测曲线看起来“合理”而不机械。真实效果展示 仓库不喊口号每个效果都配有图配脚本。个股价格/成交量预测运行 examples/prediction_example.py红线是模型预测、蓝线是真实值。收盘价预测跟出了主跌和 V 型反弹的大节奏成交量预测虽然毛糙但量级和峰值位置大体对齐A股回测微调后跑 top-K 策略回测finetune/qlib_test.py。官方示例图中策略实线在 2024 年 10 月后持续位于 CSI300 基准黑色虚线上方下方图的累积超额收益长期为正、峰值约 0.15。注意 README 明确说明这只是简化演示流水线不是生产级量化系统。高频数据微调finetune_csv/ 演示了在 5 分钟K线 CSV港股 09988 为例上的一键微调说明分钟级高频数据同样适用此外论文已被 AAAI 2026 接收arXiv: 2508.02739。适合谁、怎么用用户类型典型场景推荐路径个人投资者 / 新手可视化查看单只股票未来价格与成交量webui/ 网页界面零代码量化开发多股票批量预测、信号回测KronosPredictor.predict_batchGPU 并行研究者复现论文、改架构、跑回归测试model/ 源码 tests/test_kronos_regression.py机构量化接入自有数据源或 A 股日线finetune/ Qlib 流水线 / finetune_csv/ 自定义 CSV模型家族按算力选Kronos-mini 4.1M 参数、上下文 2048Kronos-small 24.7M、上下文 512Kronos-base 102.3M、上下文 512Kronos-large 未开源。新手用 small 起步即可输入窗口建议不超过 512。常见问题问普通笔记本能跑吗能。mini/small 在 CPU 上即可运行webui 官方支持 CPU、CUDA、MPS 三类设备只有大批量预测或多卡微调训练才需要认真配 GPU。问数据什么格式CSV 即可必须含timestamps和open/high/low/close四列volume、amount可选批量预测时缺失填 0。样例见 tests/data/regression_input.csv完全没有量价数据就参考 examples/prediction_wo_vol_example.py。问预测准确率有官方指标吗仓库没有给出单一“准确率”数字可核查的是上文对比图与回测示例。建议用你自己的数据做回测并把 top-K 策略只当作评估起点。问怎么在自己的数据上微调A股日线走 finetune/ 四步流水线数据预处理→训 tokenizer→训 predictor→回测依赖 pyqlib任意 CSV 走 finetune_csv/一条python train_sequential.py --config 配置.yaml先训分词器再训预测器。写在最后Kronos 把K线这门“语言”完整开源把 AI 股票预测的尝试成本压到“装个依赖 打开一个网页”。建议先跑 webui 建立手感再写回测脚本用数据说话最后才考虑用自己的数据微调。风险提示模型输出均为概率性预测不构成任何投资建议市场有风险入市需谨慎。【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