Kronos快速教程三步跑通开源金融K线预测模型【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/KronosKronos是首个面向金融K线预测的开源基础模型用45个以上全球交易所的数据训练而成。本文带你从装好环境到产出第一条预测曲线再看如何用你自己的CSV数据微调。预测结果仅供参考不构成投资建议。开始之前Kronos适合谁一句话定位Kronos把K线当成语言来学——先用专用分词器把OHLCV数据量化成离散令牌再用自回归Transformer做预训练最后由预测器直接吐出未来的K线序列。如果你满足以下任一条都值得试一下量化新手想体验基础模型做K线预测但不想从零搭模型金融数据开发者手上有自己的K线CSV想微调出专属模型全栈开发者想在自己的应用里嵌入一个可交互的预测界面它的核心价值它帮你用几行代码完成任意交易所K线的时序预测它帮你在WebUI里零代码完成数据加载、参数调节和结果对比它帮你用自己的CSV数据微调适配特定标的或周期整体框架可以看这张官方示意图分词器 预测器两阶段是理解后面所有操作的前提从零跑起来三步完成Kronos安装环境要求只有一个硬门槛Python 3.10。有NVIDIA GPU体验更好CPU也能跑小模型。第1步克隆代码并安装依赖git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt怎么算成功安装过程无报错requirements.txt里包含 torch、pandas、huggingface_hub 等核心依赖。第2步验证模型库能正常导入python -c from model import Kronos, KronosTokenizer, KronosPredictor; print(OK)怎么算成功终端打印OK。这一步只测导入不下载模型几秒内完成。第3步了解数据格式。你后续准备的CSV必须包含timestamps/open/high/low/close四列volume和amount可选。仓库里有一份现成的样例数据可以直接看表头finetune_csv/data/HK_ali_09988_kline_5min_all.csv。到这里你已经完成了从安装到环境验证的全过程。接下来直接拿结果。拿到第一个结果WebUI两分钟出预测最短路径是WebUI不用写一行代码。cd webui python run.py它会先自动检查依赖缺了就提示安装然后启动服务并自动打开浏览器访问地址是http://localhost:7070。怎么算成功页面正常打开能看到加载数据 → 加载模型 → 选时间窗口 → 开始预测的操作面板。使用顺序很简单选一份CSV/Feather数据文件数据需包含上面说的必需列选模型mini/small/base和计算设备CPU/CUDA/MPS用滑块选好400120个数据点的时间窗口点预测首次加载模型需要联网下载稍等片刻。跑通后你会看到预测K线与真实K线的对比图以及价差、误差等对比分析。第一次跑通不追求效果先看到结果再说。跑过WebUI之后再用代码走一遍你就掌握了两种形态。代码兜底版参考 examples/prediction_example.pyfrom model import Kronos, KronosTokenizer, KronosPredictor tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512) pred_df predictor.predict(dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120, T1.0, top_p0.9, sample_count1)怎么算成功pred_df返回120行包含 open/high/low/close/volume/amount 列索引是你给的y_timestamp。其中x_df是历史K线含必需列x_ts/y_ts分别是历史和未来时间戳序列。实战场景两种常见用法场景一给一只标的做短期K线预测需求用最近400根K线预测接下来120根。这就是上面代码的完整形态数据准备部分长这样df pd.read_csv(./data/XSHG_5min_600977.csv) df[timestamps] pd.to_datetime(df[timestamps]) lookback, pred_len 400, 120 x_df df.loc[:lookback-1, [open,high,low,close,volume,amount]] x_ts df.loc[:lookback-1, timestamps] y_ts df.loc[lookback:lookbackpred_len-1, timestamps]提示如果数据里没有成交量可以去掉 volume/amount 列再预测仓库提供了无成交量版本的示例 examples/prediction_wo_vol_example.py。场景二用自己的CSV数据微调一个专属模型需求预训练模型对某个特定标的水土不服想用自有数据让它更懂这只票。把CSV放到 finetune_csv/data/列格式与样例数据一致修改 finetune_csv/configs/config_ali09988_candle-5min.yaml 里的data_path和预训练模型路径跑顺序训练先分词器、后预测器cd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml怎么算成功训练结束后在配置的保存目录下出现tokenizer/best_model/和basemodel/best_model/两个检查点控制台日志显示验证损失持续记录。仓库里有一份港股阿里巴巴5分钟K线的微调效果示例图可以对照看你的产出微调需要GPU且预训练权重首次运行同样要联网下载。多卡可用 torchrun 启动加速具体见 finetune_csv/README_CN.md。选对配置模型档位与计算设备怎么选三个开源档位参数不同按需选择别一步到位选最大的模型参数量最大上下文适用场景Kronos-mini4.1M2048长历史窗口、CPU/边缘设备、快速试错Kronos-small24.7M512常规预测任务CPU可跑新手首选Kronos-base102.3M512追求更高精度建议配GPU另有 Kronos-large499.2M尚未开源暂不可用。计算设备方面WebUI里直接下拉选择设备说明CPU兼容性最好跑mini/small没问题CUDANVIDIA显卡加速速度最快MPSApple Silicon推荐一个容易踩的细节small和base的上下文上限是512你的历史输入lookback超过512时KronosPredictor会自动截断但效果通常不如手动控制在512以内。mini则是2048长序列任务优先用mini。避坑指南5个高频问题1. 模型加载失败或卡住现象from_pretrained报错或长时间无响应原因首次运行需从 Hugging Face Hub 联网下载权重网络受限时会失败解决确认网络可达必要时配置代理再重跑模型ID不要手误写错2. 端口被占用WebUI起不来现象控制台提示 port 7070 相关错误原因上一次的run.py进程没停干净解决先杀掉旧进程或直接修改 webui/app.py 中的端口号3. GPU显存不足或CPU慢到跑不下去现象OOM报错或预测要等很久原因模型档位与硬件不匹配解决换 Kronos-mini或把sample_count降回1减少批量序列数4. 预测直接报数据错误现象predict 抛异常提示列缺失原因DataFrame缺少必需列解决核对CSV表头确保open/high/low/close都在volume和amount缺失会被填0不会报错5. 预测曲线接不上历史数据现象预测段与历史段明显错位原因输入历史窗口过长被截断或时间戳序列与数据行不对齐解决lookback控制在512以内mini为2048x_timestamp与df严格按同一行序截取下一步三阶段进阶路线第一阶段·跑熟用WebUI换3份以上不同标的、不同周期的数据反复预测观察温度T0.1~2.0、top_p0.1~1.0、sample_count1~5对曲线的影响建立参数直觉。第二阶段·微调按实战场景二把自己最有价值的那份CSV数据微调出一个专属模型对比微调前后的预测差异。第三阶段·回测仓库还有一条基于 Qlib 的A股微调回测流水线finetune/可pip install pyqlib后按 README 里的四步走配置 → 数据预处理 → 两阶段训练 → 回测评估。注意官方强调这只是演示流程不是可直接上生产的量化系统。资源索引项目说明README.mdWebUI文档webui/README.mdCSV微调教程finetune_csv/README_CN.md模型核心源码model/kronos.py可运行预测示例examples/prediction_example.py回归测试可作输出一致性校验tests/test_kronos_regression.py从安装到第一次预测再到用自有数据微调Kronos的每一步都有现成脚本兜底。先跑通一个最小案例再谈优化你会走得更快。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
