告别复杂金融预测：5分钟上手Kronos实现市场趋势预判

你是否还在为金融数据预测的复杂流程而困扰？是否尝试过多种工具却仍难以获得可靠的市场趋势分析？本文将带你快速掌握Kronos——首个专为金融K线序列设计的开源基础模型，让你在5分钟内完成从环境搭建到生成预测结果的全流程。读完本文，你将能够：

• 理解Kronos的核心优势及工作原理
• 完成模型的安装与基础配置
• 使用示例代码生成首个金融预测
• 了解如何基于自有数据进行模型微调
• 掌握模型预测结果的可视化方法

为什么选择Kronos？

Kronos是专为金融市场"语言"——K线序列设计的开源基础模型，区别于通用时间序列模型，它能更好地处理金融数据的高噪声特性。其创新的两阶段框架让金融预测变得前所未有的简单：

1. 专用Tokenizer将连续的多维K线数据(OHLCV)量化为层次化离散 tokens
2. 大型自回归Transformer在这些tokens上预训练，可作为多样化量化任务的统一模型

项目核心优势：

• 专为金融数据优化，处理高噪声环境表现更优
• 支持多种量化任务，无需为不同任务构建专用模型
• 提供完整的微调流程，轻松适应特定市场数据
• 包含WebUI界面和丰富示例，降低使用门槛

快速开始：环境准备

安装步骤

首先确保你的系统已安装Python 3.10+，然后通过以下命令获取项目并安装依赖：

# 克隆仓库
git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos
cd Kronos

# 安装依赖
pip install -r requirements.txt

项目结构概览

熟悉项目结构有助于更好地使用Kronos：

• 核心模型代码：model/

  • kronos.py - 主模型实现
  • module.py - 网络模块定义

• 示例代码：examples/

  • prediction_example.py - 基础预测示例
  • prediction_batch_example.py - 批量预测示例
  • prediction_cn_markets_day.py - A股市场日级预测

• 微调工具：finetune/

  • train_tokenizer.py - Tokenizer微调
  • train_predictor.py - 预测器微调

• Web界面：webui/

  • app.py - WebUI主程序
  • templates/index.html - 前端页面

5分钟实现你的首个预测

步骤1：加载模型和Tokenizer

Kronos提供多种预训练模型，从小型到大型以适应不同需求。这里我们使用基础版模型进行演示：

from model import Kronos, KronosTokenizer, KronosPredictor

# 加载Tokenizer和模型
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

步骤2：初始化预测器

# 初始化预测器，指定设备（CPU或GPU）
predictor = KronosPredictor(model, tokenizer, device="cuda:0", max_context=512)

注意：Kronos-small和Kronos-base的max_context为512，这是模型可处理的最大序列长度。为获得最佳性能，建议输入数据长度（lookback）不超过此限制。

步骤3：准备输入数据

Kronos预测器需要以下输入：

• 包含历史K线数据的DataFrame（必须包含'open', 'high', 'low', 'close'列，'volume'和'amount'可选）
• 历史数据对应的时间戳
• 要预测的未来时间戳

import pandas as pd

# 加载示例数据
df = pd.read_csv("examples/data/XSHG_5min_600977.csv")
df['timestamps'] = pd.to_datetime(df['timestamps'])

# 定义上下文窗口和预测长度
lookback = 400  # 历史数据长度
pred_len = 120  # 预测未来长度

# 准备输入数据
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']

步骤4：生成预测

# 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,          # 采样温度，控制随机性
    top_p=0.9,      # Nucleus采样概率
    sample_count=1  # 生成并平均的预测路径数量
)

# 查看预测结果
print("预测数据前5行:")
print(pred_df.head())

预测结果可视化

运行示例脚本可以生成预测结果可视化图表：

python examples/prediction_example.py

该脚本会生成一个对比图表，展示真实数据与模型预测结果的对比：

如果你不需要成交量(Volume)和成交额(Amount)数据，可使用另一个示例脚本：

python examples/prediction_wo_vol_example.py

批量预测功能

当你需要同时预测多个资产或时间序列时，Kronos的批量预测功能可以显著提高效率：

# 准备多个数据集
df_list = [df1, df2, df3]  # DataFrames列表
x_timestamp_list = [x_ts1, x_ts2, x_ts3]  # 历史时间戳列表
y_timestamp_list = [y_ts1, y_ts2, y_ts3]  # 未来时间戳列表

# 生成批量预测
pred_df_list = predictor.predict_batch(
    df_list=df_list,
    x_timestamp_list=x_timestamp_list,
    y_timestamp_list=y_timestamp_list,
    pred_len=pred_len,
    T=1.0,
    top_p=0.9,
    sample_count=1,
    verbose=True
)

批量预测要求：

• 所有序列必须具有相同的历史长度(lookback窗口)
• 所有序列必须具有相同的预测长度(pred_len)
• 每个DataFrame必须包含必要列：['open', 'high', 'low', 'close']
• 'volume'和'amount'列可选，如缺失将用零填充

在自有数据上微调

Kronos提供完整的微调流程，使模型能更好地适应特定市场数据。以A股市场为例，微调过程分为四个主要步骤：

微调准备

首先修改配置文件finetune/config.py设置路径和超参数，主要包括：

• qlib_data_path: Qlib数据目录路径
• dataset_path: 处理后的数据保存目录
• save_path: 模型检查点保存目录
• pretrained_tokenizer_path和pretrained_predictor_path: 预训练模型路径

数据准备

使用Qlib准备A股市场数据：

python finetune/qlib_data_preprocess.py

该脚本将从Qlib目录加载原始市场数据，处理并分割为训练、验证和测试集，保存为pickle文件。

模型微调

微调过程分为两个阶段：首先微调Tokenizer，然后微调预测器模型：

# 微调Tokenizer（替换NUM_GPUS为你的GPU数量）
torchrun --standalone --nproc_per_node=NUM_GPUS finetune/train_tokenizer.py

# 微调预测器
torchrun --standalone --nproc_per_node=NUM_GPUS finetune/train_predictor.py

回测评估

微调完成后，运行回测脚本评估模型性能：

# 指定GPU进行推理
python finetune/qlib_test.py --device cuda:0

脚本将输出详细的性能分析，并生成累积收益曲线图：

WebUI界面使用

Kronos提供了WebUI界面，使预测操作更加直观：

cd webui
python run.py

启动后访问本地服务器地址，即可通过网页界面上传数据、调整参数并查看预测结果。WebUI会将预测结果保存在webui/prediction_results/目录下，方便后续分析。

进阶应用与资源

关键资源文件

• 官方文档：README.md
• 示例代码目录：examples/
• 微调工具：finetune/
• WebUI界面：webui/

从演示到生产的重要考虑

1. 信号处理：演示中的信号是原始预测，实际量化工作流中通常需要将这些信号输入组合优化模型
2. 数据处理：提供的QlibDataset是示例，对于不同数据源需要调整数据加载和预处理逻辑
3. 策略复杂度：简单的top-K策略是起点，实际策略通常包含更复杂的组合构建和风险管理逻辑

模型选择建议

Kronos提供多种预训练模型，可根据需求选择：

模型	Tokenizer	上下文长度	参数	开源
Kronos-mini	Kronos-Tokenizer-2k	2048	4.1M	✅
Kronos-small	Kronos-Tokenizer-base	512	24.7M	✅
Kronos-base	Kronos-Tokenizer-base	512	102.3M	✅
Kronos-large	Kronos-Tokenizer-base	512	499.2M	❌

总结

通过本文介绍，你已经掌握了Kronos的基本使用方法，包括环境搭建、模型预测、结果可视化和微调流程。Kronos的设计理念是让复杂的金融预测变得简单，无论是个人投资者还是专业量化团队，都能快速上手并应用于实际场景。

想要深入了解更多功能，可以查看项目中的示例代码和详细文档，开始你的金融预测之旅吧！

如果觉得本项目有帮助，请给我们点赞和收藏，关注项目更新以获取最新功能和改进。