清华3.1万Star的Kronos能预测股价但把预测变成每日自动报告还得靠这套开源工具2026年清华大学IIIS和自动化系联合发布了一个叫Kronos的模型——全球首个专为金融K线数据设计的开源基础模型被AAAI 2026收录GitHub斩获3.1万 StarsMIT协议。它很厉害。在120亿条K线记录上预训练覆盖全球45家以上交易所。价格预测RankIC比最强的通用时序模型提升了93%波动率预测MAE降低了9%。中金公司的研报显示基于Kronos构建的择时策略年化收益率达33.9%超额收益9%。但有一个问题模型是模型工具是工具。Kronos解决了“怎么预测”的问题。但怎么让预测结果每天自动生成怎么同时预测股票、基金、期货、指数怎么把预测结果变成可读的报告、可分享的图表、可集成的API这就是Kronos-Report要做的事。Kronos-Report不是又一个量化分析工具而是一套以Kronos金融时序大模型为推理核心、以“预测器-报告生成器-简报系统-HTTP服务”四层模块为工程骨架的AI量化投研自动化平台——让金融预测从“人工撰写研报”变成“模型自动生成多格式分析报告和每日简报”。一、先回到那个痛点模型能预测但离“每天自动出一份报告”还差很远Kronos模型本身只解决了“推理”的问题——输入K线数据输出预测结果。但从模型到每天能用、团队能共享、系统能集成的工具还差着“最后一公里”能力缺口说明数据获取模型需要K线数据但数据从哪来如何自动获取品种适配股票、基金、期货、指数的数据格式和交易规则各不相同报告生成预测结果是数字但用户需要的是可读、可分享的报告服务化预测能力如何被其他系统调用自动化如何让预测每天自动运行无需人工干预前辈的致命伤顶尖模型藏在代码库里距离“每天自动生成一份可读的预测报告”还有很长的路要走 → Kronos-Report的杀手锏把Kronos的预测能力封装成一套完整的自动化投研流水线二、四层架构让金融时序大模型真正“落地”Kronos-Report采用四层模块化架构各模块职责清晰、可独立演进┌─────────────────────────────────────────────────────────────┐ │ 应用入口层 │ │ predictor.py命令行入口 │ │ server.pyHTTP服务入口 │ ├─────────────────────────────────────────────────────────────┤ │ 核心业务层 │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ │ │ predictor_ │ │ report/ │ │ briefing/ │ │ │ │ core/ │ │ 报告生成 │ │ 简报生成 │ │ │ │ 预测核心 │ └─────────────┘ └─────────────┘ │ │ └─────────────┘ ┌─────────────┐ ┌─────────────┐ │ │ │ data/ │ │ model/ │ │ │ │ 数据服务 │ │ Kronos模型 │ │ │ └─────────────┘ └─────────────┘ │ ├─────────────────────────────────────────────────────────────┤ │ 基础设施层 │ │ config/统一配置· trade_calendar.py交易日历 │ │ model_manager.py全局模型管理器 │ ├─────────────────────────────────────────────────────────────┤ │ 模板与输出层 │ │ templates/HTML模板· html/Demo预览 │ └─────────────────────────────────────────────────────────────┘设计模式解读Kronos-Report体现的是门面模式Facade Pattern——它将Kronos模型的复杂推理过程、数据获取与预处理、多格式报告生成等底层细节全部封装在统一的命令行和HTTP接口背后用户只需传入品种代码即可获得完整的预测报告。三、核心功能从预测到简报一条龙自动化① 多品种自动识别——不用手动配系统自己认用户只需传入品种代码系统自动完成类型识别自动判断是股票、基金、期货还是指数交易所判断自动识别上交所、深交所、北交所、期货交易所或指数中心期货合约自动过滤品种代码00如RB00、M00被自动识别并过滤② 六种报告格式——一次预测六种输出格式用途TXT纯文本快速阅读HTML交互式网页报告含图表PNG报告截图适合分享CSV结构化数据二次处理图表K线图、趋势图可视化JSON系统集成③ 每日简报自动化——让预测“自己跑起来”每日简报是Kronos-Report最具特色的功能每日自动生成包含大盘预测、个股分析、量化提示自选股优先支持配置自选股列表优先展示随机品种补充自动补充随机个股和基金丰富简报内容定时任务支持每日定时自动生成默认每日19:30④ HTTP模型服务——让预测“可远程调用”Kronos-Report提供了完整的HTTP服务端点方法端点说明GET/health健康检查POST/models/load加载模型POST/models/switch切换模型GET/models/list列出已加载模型POST/predict执行预测核心能力多模型管理最多支持3个模型同时加载模型热切换无需重启服务即可切换模型参数化预测支持lookback、pred_len、t、top_p、sample_count等参数设备自动选择默认auto模式无需手动指定CUDA/CPU/MPS设计模式解读HTTP服务体现的是代理模式Proxy Pattern——服务作为Kronos模型的网络代理将本地推理能力封装为可通过HTTP协议访问的远程服务。四、三种使用场景覆盖从个人到企业场景一单次预测命令行# 股票预测完整报告python predictor.py--code000001# 期货预测python predictor.py--codeRB2505# 指数预测python predictor.py--codezs_000001# 自定义参数python predictor.py--code000001--lookback256--pred-len10--modelsmall输出TXT、HTML、PNG、CSV、图表、JSON六种格式报告。场景二每日简报自动化# 生成简报python predictor.py--briefing# 启动定时任务每日19:30自动生成python predictor.py--scheduler简报输出目录/home/liebin/dev/data/report/AI简报/{日期}/。场景三HTTP模型服务企业级集成# 启动服务./start_server.sh# 快速测试curlhttp://localhost:16888/healthcurl-XPOST http://localhost:16888/predict\-d{code:000001}典型集成场景量化交易系统预测信号输入、投研平台AI预测数据支持、财富管理App个股预测服务。五、3×3模型矩阵精度、速度、资源自由权衡Kronos-Report支持三种分词器和三种模型的自由组合。分词器Tokenizer参数值上下文长度特点适用场景2k2048精度高高频交易、加密货币base512速度快股票/期货、快速验证预测模型参数值参数量速度适用场景mini4.1M最快资源受限场景small24.7M较快专业量化推荐base102.3M较慢机构级精度这种“分词器×模型”的矩阵设计让用户可以在精度、速度、资源消耗之间灵活权衡。六、技术实现亮点双数据源架构数据源说明适用场景local使用本地CSV文件离线环境、自有数据tickflowTickFlow免费服务推荐在线环境、自动获取通过配置文件settings.py中的DATA_SOURCE参数统一切换无需修改业务代码。三层配置优先级优先级来源说明1命令行参数--pred-len 10直接覆盖2配置文件settings.py中的默认值3代码内置硬编码的备用值全局模型管理器通过model_manager.py实现全局模型管理采用单例模式确保同一模型在全局只加载一次避免重复加载带来的内存和时间浪费。HTTP服务模式下最多支持3个模型同时加载支持热切换。交易日历trade_calendar.py模块确保预测在正确的时间维度上进行——跳过非交易日、正确处理节假日、准确计算回测区间。一个错误的日期可能导致整个预测失效。七、与Kronos模型的关系模型是引擎Report是整车Kronos和Kronos-Report的关系可以这样理解维度KronosKronos-Report定位金融时序大模型自动化投研工具链解决什么问题“怎么预测”“怎么让预测结果可用、可读、可集成”输入K线数据品种代码输出预测数值六种格式报告 HTTP服务 每日简报使用者AI研究员、量化开发者投研分析师、量化团队、企业系统Kronos-Report的本质是把Kronos从“学术代码”变成了“生产工具”。八、写在最后2026年大模型正在重塑金融行业。Kronos证明了“AI可以看懂K线”——在120亿条记录上预训练价格预测RankIC提升93%。但真正让金融从业者能用上AI的不是模型本身而是把模型封装成每天自动运行的、可读可分享可集成的工具链。Kronos-Report的故事告诉我们金融AI的价值不仅在于模型本身的预测精度更在于将预测结果转化为可读、可用、可集成的产品化能力。从命令行到HTTP服务从单次预测到每日定时简报从本地文件到云端数据源——它展示了一个金融时序大模型从“学术代码”走向“生产工具”的完整工程化路径。它的终极价值不是“又一个预测脚本”——而是让AI量化预测从“专家工具”变成了“自动化流水线”。项目地址https://gitee.com/liebin/kronos-reportKronos原项目https://github.com/shiyu-coder/Kronos本文数据来源Kronos-Report项目源码及README、Kronos论文AAAI 2026、中金公司研报2025年10月、国信证券研报2025年11月、公开技术文章截至2026年8月如您所在的企业正面临AI量化投研平台建设、金融大模型应用落地或智能投研系统开发的相关需求欢迎进一步沟通。我们可提供针对贵企业具体场景的定制化方案和现场调研服务。