大家好，我是何三，独立开发者
近 2 万 Star，被 AAAI 2026 收录，全球第一个专门为金融K线数据打造的"大模型"——Kronos 来了。
说实话，第一次看到这个项目的时候，我愣了一下。大模型预测股票走势？这不又是那种"华而不实"的噱头项目吗？仔细看完论文和代码之后，我的态度变了：这次有点东西。
到底是啥
Kronos 不是那种拿 GPT 去做情感分析然后告诉你"市场情绪偏乐观"的玩具。
它做的事情很直接：把K线数据（就是 OHLCV——开盘价、最高价、最低价、收盘价、成交量）当作一种"语言"来处理。就像 GPT 读遍互联网学会写文章，Kronos 读遍了全球 45 个交易所的K线数据，学会了预测下一根K线长什么样。
概念图先放一下：
看懂了吗？没看懂没关系。我用人话翻译一遍：
核心原理：把K线当语言学
Kronos 的架构分两步走。
第一步，造一本"金融词典"。
K线数据是连续的——价格从 100.5 涨到 101.3，这不是一个词，而是一段连续的波形。Kronos 先用一个专用的分词器，把这些连续的多维数据量化成离散的 token。就像把一段连续的语音切成一个个拼音音素。
这步很关键。普通的时间序列模型直接拿原始数值去回归预测，在金融数据这种高噪声场景下效果很差。Kronos 先离散化再处理，等于给模型一个"抽象层"，噪声扛得住。
第二步，用 GPT 的方式预训练。
有了 token 之后，后面就是标准的 decoder-only Transformer，Next-Token Prediction，跟 GPT 一模一样的训练范式。只不过 GPT 预测的是下一个文字 token，Kronos 预测的是下一根K线的 token。
就这么简单？就这么简单。
上面这张图是 Kronos 官方的 Live Demo，实时预测 BTC/USDT 未来 24 小时走势。可以去这里自己看：https://shiyu-coder.github.io/Kronos-demo/
模型家族
Kronos 一共发布了四个规格，其中三个开源：
最小的是 Kronos-mini，才 4.1M 参数，上下文长度 2048。这个体量基本等于塞进树莓派都能跑。推荐用 Kronos-small，24.7M 参数，性能和速度的平衡点，512 上下文对大多数场景够用了。
最大的 Kronos-large，499M 参数，论文里效果最好，但没开源。能理解，毕竟这种东西放出来，搞不好真有人拿去做量化收割（虽然大概率是亏钱）。
上手试试
环境准备很简单，Python 3.10+，装依赖：
git clone https://github.com/shiyu-coder/Kronos.git
cd Kronos
pip install -r requirements.txt
核心代码就几行：
from model import Kronos, KronosTokenizer, KronosPredictor
# 从 Hugging Face 加载模型
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
# 初始化预测器
predictor = KronosPredictor(model, tokenizer, max_context=512)
# 预测
pred_df = predictor.predict(
df=x_df,
x_timestamp=x_timestamp,
y_timestamp=y_timestamp,
pred_len=120, # 预测未来120个时间单位
T=1.0, # 采样温度
top_p=0.9, # 核采样
sample_count=1 # 采样路径数
)
模型输出的是一个完整的 DataFrame，包含 open、high、low、close、volume 这些字段。拿去画图也好，接下游策略也好，都行。
还有批量预测方法 predict_batch，支持多资产并行预测，GPU 跑的话效率还行。
微调到自己的数据上
如果你有自己的一套数据源（比如 A 股分钟级数据），Kronos 也提供了完整的微调流程。它用了微软 Qlib 做数据管道，支持：
- 配置数据路径和超参数
- 用 Qlib 做数据预处理和划分
- 先微调 Tokenizer，再微调 Predictor
- 跑回测评估效果
# 微调 Tokenizer
torchrun --standalone --nproc_per_node=2 finetune/train_tokenizer.py
# 微调 Predictor
torchrun --standalone --nproc_per_node=2 finetune/train_predictor.py
# 回测
python finetune/qlib_test.py --device cuda:0
项目里还有个 WebUI 目录，说明作者们可能正在做一个可视化界面。不过目前代码还不够完整，期待后续更新。
说两句实话
Kronos 的论文被 AAAI 2026 收录了，这本身就能说明学术界的认可度。它的创新点不在于"预测金融数据"——这事儿很多人干过。创新点在于用大语言模型的范式来处理金融时间序列，把K线当作一种语言来建模。这个视角很新颖。
但是。
预测准确率和实际赚钱之间，隔着一整个太平洋。 模型能预测出K线的趋势方向，不代表你能直接拿去做交易。真实的量化交易需要考虑滑点、手续费、资金管理、风险对冲……项目 README 里的 Disclaimer 写得很清楚，这不是一个生产级的量化系统。
它更像是一个研究基座——证明了大模型范式在金融数据上确实work，后续各种微调和应用可以基于它来展开。
对了，最近量化圈也挺卷的，我之前写过一篇关于 Qlib 的介绍，微软搞的那套。如果你对量化工具链感兴趣可以翻翻看。Qlib 的数据管道确实好用，Kronos 的微调模块直接就是基于 Qlib 的。
怎么说呢
Kronos 最大的价值不是"帮你预测明天的股票涨不涨"，而是打开了一个新的范式：用处理语言的方式处理K线，用大模型的架构做金融时间序列预测。而且开源了。
MIT 协议，随便用。
想研究的可以去 Hugging Face 找模型，想直接看效果的可以去 Live Demo 玩玩。代码质量不错，文档也算清晰，就是那个 WebUI 还差点意思。
行了不说了，以上内容均来自网络整理，请详读官方文档。
本文使用 MGO 编辑并发布
关注"何三笔记"，回复"mgo" 免费下载使用
