最近一个叫 Kronos 的项目频繁出现在视野里——单日涨了近 2000 星，现在 GitHub 上的总星数已经突破 3.4 万。
炒过股、玩过币的人都知道，K线这玩意儿极难琢磨。涨跌无序，噪声又多，拿通用的 AI 模型生搬硬套去预测，效果往往很糟糕。
清华的团队做了一件很有意思的事：干脆为 K 线数据专门训练一个模型，让它只精这一门。
把 K 线当成一种“语言”来学，这种思路确实罕见。
项目简介
传统量化怎么玩？手写策略、调参数、回测，实盘一跑可能就翻车。换个品种，一切又得从头来。
Kronos 走的是另一条路：不学具体策略，只学 K 线本身的演变规律。给它一段历史走势，它直接推演出接下来几根 K 线长什么样。
就像 GPT 不需要你教它语法就能写文章，Kronos 也不需要你写交易策略就能给出预测结果。
它的训练数据覆盖了全球 45 家以上的交易所，横跨股票、期货、加密货币等多个市场。
目前在 GitHub 上已经斩获超过 3.3 万星，热度相当高。更关键的是，相关论文已被 AAAI 2026 这种级别的会议收录，说明这东西不是随手糊的小玩具。
功能特性
01 两阶段框架：把 K 线变成“词”
Kronos 最核心的设计可以拆成两步。
第一步，把 K 线数据（开盘、最高、最低、收盘、成交量）编码成离散的“词”。先刻画涨跌方向，再量化变动幅度。
第二步，用类似 GPT 的方式在这些“词”上做预训练，自回归地预测下一根 K 线。
为什么非要兜这么一大圈？
金融数据的噪声实在太大，直接拿原始数值训练，效果大打折扣。先压缩成离散的“词”，等于在数据层面做了一重去噪。
一句话总结：K 线被转化成“词”，模型学的就是“市场怎么说话”。
02 零样本预测：不用写策略，喂数据就出结果
这才是最让人兴奋的地方。
没有特征工程，不需要调参，更不用硬编码任何策略逻辑。把一段历史 K 线塞进去，它直接输出未来 N 根 K 线的预测值。
而且它还支持零样本预测——哪怕是一个它从没见过的交易品种，丢进去照样能给你结果。
官方给出的数据是：零样本排序能力比主流时序模型高出 93%。当然，实际效果得亲手跑过才知道，但方向是没错的。
03 支持 A 股微调：基于 Qlib 的完整流程
A 股也能用。项目配套了完整的微调流程，底层调用的还是微软开源的量化平台 Qlib。
整个流程四步走：数据预处理 → 微调模型 → 回测评估。工坊给出了日线数据的演示示例，还附带选股策略回测，可以直接生成这样的收益曲线图。
不过项目方也很坦诚：这只是一个演示，并不是生产级的系统。
04 多版本模型 + 在线 Demo
最小的模型才 4.1M 参数，任意一台电脑都能跑起来。所有模型都可以直接在 Hugging Face 上下载。
项目还贴心地搭了个在线 Demo，不用装任何东西，就能直接看 BTC 未来 24 小时的预测效果：
https://shiyu-coder.github.io/Kronos-demo/
快速安装、使用
安装
git clone https://github.com/shiyu-coder/Kronos.git
cd Kronos
pip install -r requirements.txt
基础预测：几行代码
from model import Kronos, KronosTokenizer, KronosPredictor
# 加载模型（首次自动从 HuggingFace 下载）
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)
# 准备数据（需包含 open/high/low/close 列）
import pandas as pd
df = pd.read_csv("./data/XSHG_5min_600977.csv")
df['timestamps'] = pd.to_datetime(df['timestamps'])
lookback, pred_len = 400, 120 # 历史窗口 / 预测长度
x_df = df.loc[:lookback-1, ['open','high','low','close','volume','amount']]
x_timestamp = df.loc[:lookback-1, 'timestamps']
y_timestamp = df.loc[lookback:lookback+pred_len-1, 'timestamps']
# 生成预测
pred_df = predictor.predict(
df=x_df, x_timestamp=x_timestamp, y_timestamp=y_timestamp,
pred_len=pred_len, T=1.0, top_p=0.9, sample_count=1
)
喂数据，拿预测，就这么直接。
A 股微调
额外装上 Qlib，然后四步走：
pip install pyqlib
# 1. 数据预处理
python finetune/qlib_data_preprocess.py
# 2. 微调分词器
torchrun --standalone --nproc_per_node=1 finetune/train_tokenizer.py
# 3. 微调预测器
torchrun --standalone --nproc_per_node=1 finetune/train_predictor.py
# 4. 回测评估
python finetune/qlib_test.py --device cuda:0
社区里也有人整理了一套中文实战指南（Vincentwei1021/kronos-guide-cn），想上手 A 股的话可以参考。
项目实测展示
我亲自跑了一趟，用的是 Kronos-base 模型，102M 参数。数据通过 yfinance 拉取，扔进去大约近两年 250 天的日线，然后让模型预测未来 30 天。
先拿个股开刀。
把历史 K 线喂进去，模型就吐出了未来 30 天的全套预测——收盘价趋势、波动区间、成交量，全挤在一张图里。
蓝线是历史，红色虚线是预测，浅红色区域就是模型给的置信波动范围。如果数据里本身就含了真实的未来行情，它还会自动帮你算误差率。
再试试指数。
同样的套路，切到批量预测模式，三个指数一次性出结果，直接生成一张涨跌对比图和汇总表——预测均点、最高、最低、涨跌幅，全列得明明白白。
从环境搭好到出图，前后大概只需要 5 分钟。预测单只股票耗时约 30-60 秒，批量三个指数也就一两分钟的事。
趋势的大方向基本能吻合，但精确点位上会有偏差。这很正常，零样本、没微调嘛。项目方也反复强调，这是演示级，不是生产级。
最后说几句
得先泼一盆冷水：这东西再厉害，也没法保证你能赚钱。
- 性能最强的那个大版本，官方目前还没有开源；想体验满血版，还得再等等。
- 项目中的微调和回测示例，只是用来走通流程的，不是一套可以直接拿来做实盘的成熟策略。真要用来炒股炒币，风控、仓位管理这些活，一点也不能省。
- 市场本身就充满了不确定性，任何模型都不可能做到 100% 准确。把它当成研究工具就好，别幻想着靠它躺着赚钱。
不过平心而论，这个项目的价值不在于“能不能帮你赚钱”，而在于它开辟了一条新路子——用预训练大模型的范式来做金融预测，把 K 线当作语言来学。
真正开源、能跑、还有完整微调流程的，Kronos 也许是第一个。
搞量化的朋友很值得花时间深入看看。即便不做量化、只是关注 AI 落地场景的人，这种垂直领域模型的训练思路也值得收藏。更多细节，可以直接去项目主页探索：
https://github.com/shiyu-coder/Kronos
在 云栈社区 里，也常有开发者分享这类垂直领域模型的实际部署与调优经验，可以从更多维度把玩这类工具。
发表于 4 小时前
|
查看: 4|
回复: 0
