跑通Kronos金融K线基础模型2GB显存的消费级GPU就能用【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金融K线预测一直卡在要自建训练管线这道门槛上。Kronos是首个开源的金融K线基础模型在45个全球交易所的数据上预训练完成2GB显存的消费级显卡就能直接加载推理十几行Python代码就能输出未来走势。30秒看懂它是什么它解决一个问题给定一段历史K线输出未来若干根的OHLCV开高低收加成交量。核心思路是把K线当成一门语言——模型先学会这套语言的词汇表再按语言模型的方式续写行情。打个比方K线对通用语言模型来说是一串看不懂的数字Kronos相当于先造了一本K线专属词典把行情翻译成单词模型读得懂也就学会了续写。环境搭建与一键启动项目最低要求推荐配置Python3.103.10PyTorch2.02.0显卡CPU可运行2GB显存以上带CUDA 11.7git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt装完在仓库根目录敲一句能打印出版本号就说明环境就绪python -c import torch; print(torch.__version__)核心原理它是怎么工作的整个过程可以拆成四步把每一根K线的OHLCV数值压成离散token——K线分词就是给行情造一本词典让它变成语言模型能读的文字。token再被量化成两层编码索引——块级量化BSQ像查码表一样把连续数字换成编号省掉大量冗余。Transformer拿着token序列逐根往下推——自回归生成跟语言模型续写句子一个套路。编码索引经同一本词典反查回OHLCV数值——解码还原预测值就变回了真实的价格和成交量。跑通第一个结果装好模型→喂数据→拿预测。以下代码在仓库根目录执行数据用一份自己的CSV即可仓库 examples/ 目录下的脚本演示了多种取数方式from model import Kronos, KronosTokenizer, KronosPredictor import pandas as pd tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512)前两行从模型库拉取预训练权重第三行把模型和分词器装进预测器512是Kronos-small的上限再长的历史会自动截断README L99。df pd.read_csv(your_data.csv) # 需含 open/high/low/close 小写列 df[timestamps] pd.to_datetime(df[timestamps]) x df.iloc[:400] # 400根历史K线 pred_df predictor.predict(dfx[[open,high,low,close,volume]], x_timestampx[timestamps], y_timestampdf.iloc[400:520][timestamps], pred_len120) print(pred_df.head())predict内部自动完成归一化、采样、反归一化你只管传数据。跑通后终端会打印前5行预测值——带时间戳的 open/high/low/close/volume 表这就是模型对未来120根K线的完整剧本。效果怎么看读懂输出你看到了什么蓝线是历史真实收盘红线是模型外推的120根走势下面成交量子图同色对应。红线不是精确抄写而是概率性采样出的路径每次跑可能略有不同。它意味着什么判断标准不是红线逐点贴蓝线——金融数据信噪比低追求精确反而过拟合。真正要看的是趋势方向和量级是否跟得上成交量预测是否同步放大或缩小。好不好用把pred_df里的预测价差当信号接入你自己的策略做回测累计收益曲线和基准的差距超额收益才是硬指标仓库 finetune/qlib_test.py 演示了这条链路。不止于命令行WebUI批量跑不想敲代码的话仓库自带图形界面cd webui python run.py浏览器打开 http://localhost:7070 即可接口与参数说明见 webui/README.md数据文件管理上传或选择CSV、Feather格式的行情文件选好文件就出图。采样参数调节温度T0.1-2.0、核采样top_p0.1-1.0、采样条数1-5三组滑杆官方建议T取1.2-1.5、top_p取0.95-1.0。K线对比视图滑块选择400根历史120根预测的窗口一键出预测与实际的K线对比图支持CPU/CUDA/MPS切换设备。命令行侧同样支持批量predictor.predict_batch(df_list, x_timestamp_list, y_timestamp_list, pred_len)可并行预测多个资产前提是所有序列的历史长度和预测长度一致README L196-L202。资源受限这几招能救显存紧张换小模型Kronos-mini只有4.1M参数README L79上下文反而有2048适合低显存设备model Kronos.from_pretrained(NeoQuasar/Kronos-mini)输出曲线抖动大收敛采样调低温度、固定核采样多采样取平均pred_df predictor.predict(dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120, T0.8, top_p0.9, sample_count3)序列超过512根缩短窗口Kronos-small/base的max_context512lookback设小一些即可预测器也会自动截断兜底。踩坑急救箱FileNotFoundError找不到数据文件→ 仓库没附示例行情CSV路径写错或列名不对 → 换成自己的OHLCV文件列名严格用小写open/high/low/close。时间戳列解析失败或乱序→ 原始CSV里时间是字符串直接拿去对齐会错位 → 加一行df[timestamps] pd.to_datetime(df[timestamps])。WebUI启动报缺依赖→ webui的requirements和主依赖不同缺了plotly、flask-cors → 到webui目录补一句pip install -r requirements.txt再启动。CUDA out of memory→ 序列太长或模型偏大 → 先降到Kronos-mini再把lookback从400降到200以内。下一步去哪读源码model/kronos.py 从分词器到自回归生成器全在这一个文件里约660行值得精读一遍。调参数finetune_csv/ 提供基于CSV数据的微调流水线改configs/下的YAML即可换自己的数据做适配。做验证finetune/qlib_test.py 跑top-K策略回测把预测信号翻译成收益曲线再决定要不要接入实盘研究。Kronos已被AAAI 2026接收README News区模型迭代和讨论都在项目社区进行有问题直接去提Issue。【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