Kronos上手指南：从K线预测到批量回测的完整流程-Seo优化-塔城地区网站建设公司

Kronos上手指南：从K线预测到批量回测的完整流程

【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/Kronos

要盯的票一多，"今天该重点看哪几只"就成了件烦事。人工翻几十条分时图累不说，还经常顾此失彼。Kronos 是一个开源的金融市场K线基础模型（foundation model），在超过45个全球交易所的数据上预训练，输入历史K线、输出未来一段时间的价格与成交量预测，把这种重复劳动压缩成一次脚本运行。如果你正想在开盘前批量过一遍候选股，下面这套流程可以直接用。

Kronos 是什么：K线的"语言模型"

Kronos 做的事，可以类比为"把大语言模型搬进K线世界"。输入是一段历史K线 DataFrame，必须包含 open、high、low、close 四列，volume 和 amount 可选，外加对应的历史时间戳和你想预测的未来时间戳；输出是一个同样结构化的 DataFrame，给出未来每根K线的开高低收、成交量和成交额。

图：Kronos 的两阶段架构，左侧 Tokenizer 负责把K线量化为离散token，右侧 Transformer 做自回归预测

实现分两步。第一步是一个专门的 Tokenizer，把连续的 OHLCV 数值量化成分层的离散 token；第二步是一个 decoder-only 的 Transformer，在这些 token 上做自回归预训练，逐位"读出"下一根K线，最后再解码回价格序列。这套设计正是针对金融序列高噪声、非平稳的特点做的，而不是通用时间序列模型的简单套用。

模型按规模分了几档：Kronos-mini（约410万参数，2048上下文）、Kronos-small（约2470万参数）、Kronos-base（约1.02亿参数），都开放在 Hugging Face 上，跑通示例时用 small 就够了。

跑通第一个示例

分三步，全程不需要改模型代码。

第一步，装环境。克隆仓库并安装依赖：

git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos

pip install -r requirements.txt

第二步，准备输入数据。示例脚本读的是./data/XSHG_5min_600977.csv，这个文件在仓库里并不附带，需要你自己准备一份同结构的CSV（列格式可参考仓库里现成的 finetune_csv/data/ 或 tests/data/regression_input.csv），放进 examples 目录下即可。

第三步，执行预测：

python examples/prediction_example.py

脚本会先加载 Tokenizer 和 Kronos-small 模型（首次运行自动从 Hugging Face 下载权重），取最近400根K线作为上下文，预测未来120根。跑完之后控制台会打印预测表的前几行，同时弹出一个窗口，上方面板是收盘价、下方面板是成交量，蓝色实线是真实数据，红色实线是模型预测。看到两条线在同一坐标系里延续，就说明环境通了。

图：示例脚本的输出，红色预测线与蓝色真实线在价格、成交量两个面板上对比

能力一：单序列预测与采样控制

上面那张图里能看到预测线跟住了真实价格的转折和波动区间，成交量面板里真实放量对应的预测位置也同步抬高。预测并不是一次性的：通过T（温度）、top_p（核采样）和sample_count（生成多条路径取平均）三个参数，你可以控制预测的随机性和稳定性。这意味着同一个模型既能给出确定性的走势外推，也能生成一组概率化的路径供你做情景分析。

图：单只股票的综合预测输出，仓库 examples/yuce/ 下还有同结构的其他标的

能力二：多股票批量预测

预测一只股票用predict，预测一批股票就用predict_batch：把多个 DataFrame、对应的时间戳序列打包成列表传进去，GPU 并行计算，每条序列独立做归一化和反归一化，返回的预测列表与输入顺序一一对应。唯一的要求是所有序列的历史长度和预测长度保持一致。仓库里的 examples/prediction_batch_example.py 演示了从同一份数据切出5个窗口并行预测的完整写法。

项目给出的实测口径是：单张GPU可以同时处理约50只股票的预测，1000只股票量级的批量回测约8分钟跑完。这意味着把"指数成分股全量过一遍"从人肉逐只看图，变成一次后台任务。

（示意引用占位，见下）

能力三：微调与回测验证

如果预训练模型在你的市场上不够用，可以微调。微调完怎么判断有没有用？仓库提供了一条完整链路：微调后的模型在测试集上做推理，生成预测信号（比如预测的收益率变化），跑一个 top-K 选股策略的回测，输出累计收益曲线和超额收益。

图：微调模型 top-K 策略的回测曲线，左为累计收益、右为相对基准的超额收益

图里策略曲线整体走在基准上方。需要泼点冷水：README 明确说这是一条演示用的简化 pipeline，模型输出的是原始信号，生产级使用还要接组合优化、风险因子中性化，回测也要把交易成本、滑点算进去。

完整场景：对阿里巴巴5分钟K线做微调预测

这个场景跟着仓库走一遍。输入数据仓库已经自带：finetune_csv/data/HK_ali_09988_kline_5min_all.csv 是阿里巴巴港股（09988.HK）的全量5分钟K线，约9.4万行，包含 timestamps、OHLC 和 volume 列。

处理配置在 finetune_csv/configs/config_ali09988_candle-5min.yaml，打开把data_path指到上面那份CSV，预训练模型路径按需修改。窗口参数设的是回看512个点、预测48个点——正好是48根5分钟K线，也就是4小时的预测跨度。

然后一条命令顺序训练：

python finetune_csv/train_sequential.py --config finetune_csv/configs/config_ali09988_candle-5min.yaml

脚本会先微调 Tokenizer，再微调 Predictor，中间检查点和日志都按配置落到输出目录。跑完看 finetune_csv/examples/ 这类输出图：深蓝色是模型实际输入的历史段，浅蓝色是完整历史，红色是微调后的预测结果，预测线在趋势延续和量能变化上都跟得比较贴。

图：阿里港股5分钟K线微调预测实例，深色为输入历史、红色为预测段

多卡环境可以把前面的命令换成torchrun --standalone --nproc_per_node=N启动，开 DDP 加速，细节在 finetune_csv/README_CN.md 里有注释。

环境要求与常见坑

硬件底线

纯CPU能跑 mini（4.1M参数）和 small（24.7M参数），速度慢但可用；批量预测和多卡微调建议用NVIDIA GPU
显存方面，推理用 small/base 对单卡要求不高；用 torchrun 多卡微调时按卡数预留训练显存
批量任务主要吃内存，序列多时留足系统内存

软件依赖

Python 3.10+（README 的硬性要求）
PyTorch 2.0+，GPU 环境对应装 CUDA 版
核心依赖看根目录 requirements.txt：torch、pandas、einops、huggingface_hub、matplotlib 等

安装三步走：

git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos

cd Kronos && pip install -r requirements.txt

python examples/prediction_example.py

两个容易踩的坑：一是上下文长度，small 和 base 的max_context是512，mini 是2048，输入K线超过上限会被 Predictor 自动截断，回看窗口设得比512长没有意义；二是模型权重不在仓库里，首次运行联网从 Hugging Face 下载，网络受限环境会卡在这一步，提前把权重拉下来放到本地再改from_pretrained的路径。

还能做什么

图形界面：webui/ 下有个 Flask 应用，浏览器打开 localhost:7070 就能上传自己的CSV、拖动时间窗口、调温度和采样参数、直接看K线对比，不用碰代码。
A股批量预测：examples/prediction_cn_markets_day.py 和 examples/prediction_akshare_2024-2025.py 演示了用 akshare 拉A股数据后批量预测，examples/run_backtest_kronos.py 则接了回测流程。
Qlib 数据源微调：finetune/ 是另一条微调管线，用微软 Qlib 的A股日线数据走"数据预处理→微调→回测"全流程，需要额外安装 pyqlib 并准备 Qlib 数据目录。