Kronos：开源金融 K 线基础模型，赋能多场景量化预测与可视化分析

一、Kronos是什么？

Kronos是全球首个开源的金融K线序列专用基础模型，专注于解决金融数据高噪声、多维度的核心痛点，训练数据覆盖全球45+交易所。该模型采用“K线令牌化+自回归Transformer”两阶段框架，将连续的OHLCV（开盘价、最高价、最低价、收盘价、成交量）数据转化为离散令牌后进行预训练，可作为统一模型支撑加密货币、股票、期货等多场景量化任务。

其核心定位是：以“金融K线语言”为训练目标，构建能直接理解、处理、预测K线数据的AI模型，成为量化交易、市场分析、策略回测等任务的“通用底座”。

Kronos的核心特点可概括为三点：

1. 数据覆盖广：训练数据来自全球45+交易所，涵盖加密货币、股票、期货等多类资产，具备跨市场适配能力；

2. 设计针对性强：区别于通用TSFMs，专门优化金融数据的高噪声特性，通过令牌化降低数据波动对模型的干扰；

3. 使用门槛低：提供从数据预处理到预测可视化的全流程工具，即使非专业算法工程师也能快速上手。

二、Kronos的功能特色

Kronos围绕“易用性、灵活性、实用性”设计，核心功能覆盖模型调用、微调、可视化全链路，具体特色如下：

1. 多规模模型家族，适配不同计算需求

Kronos提供4个版本的预训练模型，参数规模从4.1M到499.2M不等，可根据硬件资源（如个人电脑、服务器）和任务精度需求选择，其中3个版本完全开源，可直接从Hugging Face Hub获取。

表1：Kronos模型家族参数对比

注：“最大上下文长度”指模型可处理的历史K线序列长度（如512表示可输入512个时间步的K线数据），上下文越长，模型可参考的历史信息越丰富。

2. 端到端预测工具，3行代码实现从数据到结果

Kronos封装了KronosPredictor类，整合数据预处理（归一化、格式校验）、模型推理、结果逆归一化（还原真实价格尺度）三大步骤，用户无需手动处理数据格式转换，仅需传入原始K线数据和时间戳，即可生成预测结果。

例如，传统量化模型需手动编写数据归一化函数、处理序列截断逻辑，而KronosPredictor会自动：

• 检查输入数据是否包含必填的open/high/low/close列；

• 对价格、成交量数据进行归一化（避免量纲差异影响模型）；

• 当输入序列长度超过模型max_context时，自动截断为最大长度；

• 预测后将结果逆归一化，直接输出真实价格范围的预测值（如“10000 USDT”而非归一化后的“0.5”）。

3. 完整微调 pipeline，支持自定义数据适配

针对特定市场（如A股、美股）或资产（如某只股票、期货合约），Kronos提供完整的微调工具链，支持用户基于自有数据优化模型，具体包括：

• 数据处理适配：兼容Qlib（量化领域常用数据框架），可直接读取Qlib格式的股票/期货数据，无需手动转换；

• 微调脚本：提供finetune.py脚本，支持设置微调轮次、学习率、批次大小等参数；

• 回测评估：内置回测工具，可对比微调前后模型的预测精度（如MAE、RMSE）和策略收益（如夏普比率），验证微调效果。

4. 可视化Web UI，零代码实现预测与分析

为降低非技术用户的使用门槛，Kronos开发了基于Flask的Web界面，支持通过浏览器完成“数据上传→模型选择→参数调整→结果可视化”全流程，核心功能模块包括：

• 数据导入：支持CSV、Feather等格式的K线数据上传，自动解析列名；

• 模型配置：下拉选择模型版本（mini/small/base）、设置预测长度（如未来24小时）、调整概率预测参数（如温度T）；

• 结果展示：同步显示“历史K线+预测K线”对比图、成交量预测趋势图，支持鼠标hover查看具体时间点的价格；

• 设备切换：可选择CPU、CUDA（NVIDIA显卡）、MPS（苹果芯片）作为计算设备，适配不同硬件。

5. 支持概率预测，应对金融市场不确定性

金融市场存在高度不确定性，单一预测值难以反映风险，Kronos支持通过“多路径采样”生成概率预测结果：

• 用户可设置sample_count（采样次数，如10），模型会生成10条不同的预测路径；

• 通过T（温度参数，控制随机性，如T=1.0表示中等随机性）和top_p（核采样概率，如0.9表示仅从概率前90%的令牌中采样）调整预测的不确定性；

• 最终可输出预测结果的均值、标准差，帮助用户判断预测的置信度（如标准差小表示预测更稳定）。

6. 多设备兼容，灵活部署

Kronos支持主流计算设备，无需修改代码即可切换：

• CPU：适合Kronos-mini/small模型，个人电脑即可运行；

• CUDA：支持NVIDIA显卡加速，Kronos-base模型推理速度可提升5-10倍；

• MPS：适配苹果M系列芯片（如M1/M2），利用Metal框架加速，满足Mac用户需求。

三、Kronos的技术细节

Kronos的核心竞争力源于其“K线令牌化+自回归Transformer”的两阶段技术框架，该框架专门针对金融K线数据的特性设计，以下从技术原理、数据处理、模型结构三方面拆解：

1. 核心技术框架：两阶段处理流程

Kronos的技术核心是“先将连续K线数据转化为离散令牌，再用Transformer学习令牌序列规律”，解决了传统模型难以处理金融数据高噪声、多维度的问题，具体流程如下：

阶段1：K线令牌化（Tokenizer）——把“连续数据”变成“模型能懂的语言”

金融K线数据是连续的数值序列（如开盘价10000 USDT、收盘价10200 USDT），直接输入Transformer会导致模型难以捕捉规律（噪声干扰大）。Kronos的专用令牌化器通过“量化+分层令牌”设计，将连续数据转化为离散令牌，具体步骤：

1. 输入数据定义：令牌化器的输入是多维度K线数据，包含必填的OHLCV（开盘价、最高价、最低价、收盘价、成交量）和可选的amount（成交额）；

2. 量化处理：采用BSQ（Bit-Sliced Quantization）技术，将每个维度的连续数值量化为二进制编码，降低数据波动带来的噪声；

3. 分层令牌生成：将量化后的信息拆分为3类令牌，形成“头部-粗粒度-细粒度”的分层结构，既保留核心趋势，又不丢失细节：

• Header（头部令牌）：1个令牌，记录该K线的时间戳、数据维度等元信息；

• Coarse-grained Subtoken（粗粒度子令牌）：k_c位，反映K线的核心趋势（如价格涨/跌、成交量大/小）；

• Fine-grained Subtoken（细粒度子令牌）：k_f位，记录K线的细节信息（如涨跌幅度、成交量具体数值范围）；

1. 令牌输出：最终每个K线时间步会生成1 + k_c + k_f位的令牌序列，作为Transformer的输入。

令牌化的核心价值：将高噪声的连续金融数据转化为结构化的离散令牌，减少噪声干扰，同时让模型能像处理自然语言（如英文单词序列）一样处理K线序列，提升学习效率。

阶段2：自回归Transformer预训练——学习“K线序列的规律”

令牌化后的序列会输入自回归Transformer进行预训练，模型通过学习历史K线令牌序列，掌握价格波动、成交量变化的规律，具备“根据过去预测未来”的能力。Transformer的结构设计有三大亮点：

1. Causal Transformer Block 堆叠：模型由N个Causal Transformer Block组成（N根据模型规模调整，如base模型N=12），每个Block包含“多头注意力层+前馈神经网络层”，确保模型能捕捉长序列依赖（如过去100个K线对未来的影响）；

2. 注意力机制优化：采用“交叉注意力（Cross-Attention）+块内注意力（Intra-Block Attention）”组合，既关注不同K线维度（如价格与成交量）的关联，又关注同一维度内的序列规律：

• Cross-Attention：让模型学习OHLCV各维度之间的关系（如成交量增大是否伴随价格上涨）；

• Intra-Block Attention：让模型学习同一维度内的历史规律（如过去5个K线的收盘价趋势）；

1. 参数共享设计：Transformer的Query、Key、Value层采用部分参数共享，减少模型参数量（如base模型仅102.3M参数），同时提升训练效率；

2. 自回归预测逻辑：预训练任务是“根据前t个K线的令牌序列，预测第t+1个K线的令牌序列”，与金融市场“历史影响未来”的逻辑一致，确保模型能直接用于预测任务。

2. 数据处理关键细节

Kronos在数据处理环节做了大量优化，确保模型输入的一致性和有效性，核心细节包括：

（1）数据归一化与逆归一化

为避免不同维度数据的量纲差异（如价格单位是USDT、成交量单位是BTC）影响模型，KronosPredictor会自动：

• 归一化：将输入的OHLCV数据映射到[0,1]区间，公式为(x - min_x) / (max_x - min_x)（minx、maxx为历史数据的最小值、最大值）；

• 逆归一化：预测完成后，将模型输出的[0,1]区间结果还原为真实价格/成交量尺度，确保用户得到直观的预测值（如“10500 USDT”而非“0.6”）。

（2）上下文长度处理

每个Kronos模型有固定的max_context（最大上下文长度，如small/base模型512），当用户输入的历史数据长度（lookback）超过max_context时，KronosPredictor会自动截断：保留最近的max_context个时间步的K线数据，确保模型能正常处理（避免序列过长导致内存溢出或推理缓慢）。

（3）概率预测的实现逻辑

Kronos的概率预测通过“多路径采样”实现，具体逻辑：

• 当用户设置sample_count=10时，模型会基于同一历史数据，生成10条不同的未来令牌序列（通过调整采样时的随机性实现）；

• 对每条令牌序列进行逆归一化，得到10条预测路径；

• 最终输出10条路径的均值（作为核心预测值）和标准差（作为不确定性指标），帮助用户评估风险。

3. 模型推理的关键参数

在使用Kronos进行预测时，有几个核心参数直接影响结果，需根据任务需求设置，具体说明如下：

表2：Kronos预测核心参数说明

四、Kronos的应用场景

Kronos作为金融K线专用基础模型，可适配加密货币、股票、期货等多类资产的量化任务，具体应用场景如下：

1. 加密货币价格预测（文档核心示例场景）

加密货币市场波动大、24小时交易，传统模型难以捕捉规律。Kronos基于45+全球交易所的加密货币数据训练，支持主流交易对（如BTC/USDT、ETH/USDT）的短期预测：

• 应用方式：使用Live Demo（文档提供的可视化页面）直接查看BTC/USDT未来24小时的价格预测；或通过KronosPredictor输入历史K线数据，生成自定义交易对的预测；

• 核心价值：帮助加密货币交易者判断短期趋势（如未来6小时是否会涨），辅助制定止盈止损策略。

2. 股票市场量化分析（A股/美股等）

Kronos支持股票市场的K线数据（如A股的5分钟线、日线），可用于量化分析：

• 应用方式：通过Qlib加载A股数据（如文档示例中的XSHG5min600977.csv，600977为A股股票代码），微调Kronos-base模型，预测股票未来120个时间步（如5分钟线的10小时）的价格；

• 核心价值：为股票量化策略提供价格预测输入（如基于预测结果设计“低买高卖”策略），或用于风险评估（如预测下跌概率）。

3. 期货市场趋势判断

期货市场受宏观经济、供需关系影响大，Kronos的多维度数据处理能力（OHLCV+amount）可捕捉期货价格与成交量的关联：

• 应用方式：输入期货合约（如原油期货、黄金期货）的历史K线数据，设置pred_len=24（预测未来24小时），生成价格与成交量的联合预测；

• 核心价值：帮助期货交易者判断趋势强度（如价格上涨时成交量是否同步增加，验证趋势的有效性）。

4. 多市场跨资产分析

Kronos的训练数据覆盖全球45+交易所，支持跨市场、跨资产的联合分析：

• 应用方式：同时输入加密货币（BTC/USDT）、股票（A股600977）、期货（原油）的历史数据，微调模型后分析不同资产的价格联动性（如BTC上涨是否会带动股票市场相关板块上涨）；

• 核心价值：为跨资产配置策略提供支持（如根据预测调整不同资产的持仓比例）。

5. 量化策略回测与优化

Kronos的微调与回测工具可用于量化策略的验证与优化：

• 应用方式：基于历史数据微调模型，将模型预测结果作为策略的信号（如预测上涨则买入、预测下跌则卖出），通过内置回测工具计算策略的年化收益、夏普比率、最大回撤；

• 核心价值：对比不同模型版本（如mini vs base）、不同参数（如lookback=200 vs 400）的策略表现，优化策略参数。

五、Kronos的使用方法

Kronos提供“代码调用”和“Web UI”两种使用方式，覆盖技术与非技术用户，以下分步骤详细说明：

1. 环境准备（通用步骤）

无论使用哪种方式，都需先完成环境搭建，具体步骤：

（1）硬件要求

• 轻量使用（Kronos-mini）：个人电脑（CPU即可，建议8GB以上内存）；

• 中等精度（Kronos-small）：PC端GPU（如NVIDIA GTX 1060 6GB以上）；

• 高精度（Kronos-base）：服务器GPU（如NVIDIA Tesla V100 16GB以上）；

• 苹果用户：支持M1/M2芯片（通过MPS加速）。

（2）软件依赖安装

1. 安装Python：要求Python 3.10及以上版本（推荐3.10或3.11，避免版本兼容问题）；

2. 克隆仓库：打开终端，执行命令克隆GitHub仓库到本地：

  git clone https://github.com/shiyu-coder/Kronos.git
  cd Kronos # 进入仓库目录

3. 安装依赖：执行命令安装项目所需的Python库（如pandas、transformers、flask等）：

  pip install -r requirements.txt

若遇到依赖冲突（如某库版本不兼容），可创建虚拟环境后重新安装：

  # 创建虚拟环境（Python 3.10为例）
  python -m venv kronos_env
  # 激活虚拟环境（Windows）
  kronos_env\Scripts\activate
  # 激活虚拟环境（Mac/Linux）
  source kronos_env/bin/activate
  # 重新安装依赖
  pip install -r requirements.txt

2. 基础预测流程（代码调用，以Kronos-small为例）

通过代码调用KronosPredictor，实现从原始数据到预测结果的全流程，适合技术用户，具体步骤：

步骤1：加载令牌化器和模型

从Hugging Face Hub加载预训练的令牌化器和模型（需确保网络可访问Hugging Face）：

# 导入必要的类
from model import Kronos, KronosTokenizer, KronosPredictor

# 加载令牌化器（Kronos-small对应base版本令牌化器）
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")

# 加载Kronos-small模型
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

步骤2：实例化KronosPredictor

创建预测器实例，指定计算设备（如CUDA、CPU）和最大上下文长度：

# 实例化预测器：使用CUDA（若没有GPU，改为device="cpu"；苹果M系列改为device="mps"）
predictor = KronosPredictor(
  model=model,
  tokenizer=tokenizer,
  device="cuda:0", # cuda:0表示第1块GPU，无GPU则写"cpu"
  max_context=512  # Kronos-small的max_context为512，需与模型匹配
)

步骤3：准备输入数据

输入数据需满足格式要求：pandas DataFrame（含OHLCV列）+ 时间戳Series，具体：

1. 数据格式要求：

• 必须包含的列：open（开盘价）、high（最高价）、low（最低价）、close（收盘价）；

• 可选列：volume（成交量）、amount（成交额）；

• 时间戳：pandas Datetime格式，需与K线数据一一对应。

1. 示例代码（加载A股5分钟线数据）：

import pandas as pd

# 加载本地K线数据（CSV文件，示例为A股600977的5分钟线数据）
df = pd.read_csv("./data/XSHG_5min_600977.csv") # 数据路径需根据实际情况修改

# 将时间戳列转换为Datetime格式
df['timestamps'] = pd.to_datetime(df['timestamps'])

# 定义上下文窗口（lookback）和预测长度（pred_len）
lookback = 400 # 输入400个历史K线时间步（≤max_context=512）
pred_len = 120 # 预测未来120个时间步（如5分钟线的10小时）

# 准备输入数据：历史数据（x_df）、历史时间戳（x_timestamp）、未来时间戳（y_timestamp）
x_df = df.loc[:lookback-1, ['open', 'high', 'low', 'close', 'volume', 'amount']] # 历史K线数据
x_timestamp = df.loc[:lookback-1, 'timestamps'] # 历史时间戳
y_timestamp = df.loc[lookback:lookback+pred_len-1, 'timestamps'] # 未来时间戳（需与预测长度匹配）

步骤4：生成预测结果

调用predict方法生成预测，设置概率预测参数：

# 生成预测
pred_df = predictor.predict(
  df=x_df,        # 历史K线数据
  x_timestamp=x_timestamp, # 历史时间戳
  y_timestamp=y_timestamp, # 未来时间戳
  pred_len=pred_len,   # 预测长度（需与y_timestamp长度一致）
  T=1.0,         # 温度参数（中等随机性）
  top_p=0.9,       # 核采样概率
  sample_count=1     # 采样次数（1次为确定性预测，多次为概率预测）
)

# 查看预测结果（前5行）
print("预测结果前5行：")
print(pred_df.head())

步骤5：结果可视化

运行examples文件夹中的示例脚本，生成“历史数据+预测结果”的对比图：

# 运行预测示例脚本（含可视化）
python examples/prediction_example.py

运行后会生成两张图：价格对比图（历史收盘价vs预测收盘价）、成交量对比图（历史成交量vs预测成交量），图片保存路径为./figures/prediction_result.png。

3. Web UI使用流程（零代码，适合非技术用户）

若不想写代码，可通过Web UI完成预测，步骤：

1. 启动Web UI：在仓库根目录执行启动脚本（Windows用start.bat，Mac/Linux用start.sh）：

  # Mac/Linux
  sh webui/start.sh
  # Windows
  webui\start.bat

2. 访问界面：脚本运行成功后，终端会显示“Running on http://127.0.0.1:5000/”，打开浏览器访问该地址，进入Web界面。

3. 上传数据：点击“数据上传”模块，选择本地CSV/Feather格式的K线数据，系统会自动解析列名（需确保含open/high/low/close）。

4. 配置模型：在“模型配置”模块：

• 选择模型版本（如Kronos-small）；

• 设置预测长度（如24，对应未来24个时间步）；

• 调整概率参数（T=1.0，top_p=0.9）；

• 选择计算设备（如CPU、CUDA）。

2. 生成预测：点击“开始预测”按钮，系统会自动处理数据并生成结果，等待几秒后（取决于模型规模），在“结果展示”模块查看“历史K线+预测K线”对比图，支持下载预测结果为CSV文件。

4. 微调流程（针对自定义数据，以A股为例）

若需适配特定市场（如A股），可对模型进行微调，步骤：

1. 数据准备：使用Qlib加载A股数据，或手动将数据转换为Qlib格式（参考Qlib官方文档）；

2. 运行微调脚本：在仓库根目录执行微调脚本，设置微调参数（如学习率、轮次）：

  python finetune.py \
    --model_name NeoQuasar/Kronos-base \
    --tokenizer_name NeoQuasar/Kronos-Tokenizer-base \
    --data_path ./data/qlib_a股数据 \
    --lr 1e-4 \ # 学习率
    --epochs 10 \ # 微调轮次
    --batch_size 32 \ # 批次大小
    --device cuda:0

3. 回测评估：微调完成后，运行回测脚本评估模型性能：

  python backtest.py \
    --finetuned_model_path ./output/finetuned_kronos_base \ # 微调后模型路径
    --tokenizer_name NeoQuasar/Kronos-Tokenizer-base \
    --data_path ./data/qlib_a股数据 \
    --device cuda:0

4. 查看回测结果：回测完成后，终端会输出策略的年化收益、夏普比率、最大回撤等指标，也可生成回测报告（HTML格式）保存在./backtest_reports/目录。

六、常见问题解答（FAQ）

1. 环境依赖安装失败，提示“某库版本冲突”？

原因：系统中已安装的库版本与Kronos要求的版本不兼容（如transformers版本过低）。
解决方案：

• 创建独立虚拟环境（参考“环境准备”步骤），避免与其他项目的依赖冲突；

• 若仍失败，手动指定冲突库的版本，例如：

 pip install transformers==4.30.2 pandas==2.0.3 # 根据requirements.txt中的版本指定

2. 加载模型时提示“Could not load model from Hugging Face Hub”？

原因：网络无法访问Hugging Face Hub，或模型名输入错误。
解决方案：

• 检查网络：确保能访问https://huggingface.co/，若无法访问，可配置代理；

• 核对模型名：参考表1中的Hugging Face仓库地址，确保模型名正确（如“NeoQuasar/Kronos-small”而非“kronos-small”）；

• 手动下载：若网络受限，可从Hugging Face手动下载模型文件，放入./model_cache/目录，再通过本地路径加载：

 model = Kronos.from_pretrained("./model_cache/Kronos-small")

3. 输入数据后提示“Missing required columns: open/high/low/close”？

原因：输入的DataFrame缺少Kronos必需的OHLCV列（开盘价、最高价、最低价、收盘价），或列名拼写错误（如“Open”首字母大写，Kronos要求小写）。
解决方案：

• 检查数据列名，确保包含小写的open、high、low、close；

• 若列名是大写（如“OPEN”），可通过代码修改列名：

 df.rename(columns={"OPEN": "open", "HIGH": "high", "LOW": "low", "CLOSE": "close"}, inplace=True)

4. 预测结果与实际数据偏差很大，怎么办？

原因：可能是lookback设置过小（历史信息不足）、sample_count过少（概率预测随机性大），或模型版本不匹配场景（如用mini模型预测高波动市场）。
解决方案：

• 增大lookback（不超过模型max_context，如Kronos-small设为400-512）；

• 增加sample_count（如设为10，取均值作为预测结果）；

• 换用更大规模的模型（如从mini升级到base）；

• 对模型进行微调（针对当前市场数据），提升适配性。

5. Web UI启动后，访问http://127.0.0.1:5000/ 提示“端口被占用”？

原因：5000端口已被其他程序（如其他Flask服务）占用。
解决方案：

• 修改Web UI的端口号：打开webui/app.py，找到app.run(port=5000)，将5000改为其他未占用端口（如5001）；

• 或关闭占用5000端口的程序（Windows用netstat -ano | findstr 5000找到进程ID，再用任务管理器结束；Mac/Linux用lsof -i :5000 | grep LISTEN找到进程，再用kill -9 进程ID结束）。

6. 微调后模型性能反而下降，是什么原因？

原因：微调数据量过少（模型过拟合）、学习率过高（模型震荡）、微调轮次过多（过拟合）。
解决方案：

• 增加微调数据量（建议至少包含10000个以上K线时间步）；

• 降低学习率（如从1e-3改为1e-4）；

• 减少微调轮次（如从20改为10）；

• 在微调脚本中加入正则化（如权重衰减--weight_decay 1e-5），避免过拟合。

七、相关链接

为方便用户获取更多信息，以下整理Kronos的官方资源链接：

• GitHub仓库：https://github.com/shiyu-coder/Kronos

• Hugging Face模型库：

• Kronos-mini：https://huggingface.co/NeoQuasar/Kronos-mini

• Kronos-small：https://huggingface.co/NeoQuasar/Kronos-small

• Kronos-base：https://huggingface.co/NeoQuasar/Kronos-base

• 论文链接：https://arxiv.org/abs/2508.02739

八、总结

Kronos是全球首个针对金融K线序列的开源基础模型，通过“K线令牌化+自回归Transformer”的两阶段框架，解决了传统模型难以处理金融数据高噪声、多维度的核心痛点，训练数据覆盖全球45+交易所，提供从mini到base的多规模开源模型，适配不同计算需求。其核心优势在于：封装了端到端的预测工具（KronosPredictor），降低技术门槛；提供完整的微调与回测 pipeline，支持自定义市场适配；开发了可视化Web UI，覆盖非技术用户；支持CPU/CUDA/MPS多设备，部署灵活。无论是加密货币价格预测、股票量化分析，还是期货趋势判断、跨资产配置，Kronos都能提供有效的模型支撑，且遵循MIT许可证开源，允许自由使用、修改和商用。尽管Kronos-large模型尚未开源，但现有开源版本已能满足大部分量化场景的需求，为金融AI领域提供了一个“专用、易用、高效”的基础工具，有助于降低金融量化与AI结合的门槛，推动量化技术在更多场景的应用。