清华大学开源 Kronos 模型：AI 解读 K 线规律与实战部署

简介

Kronos 是清华大学信息科学研究院开源的 K 线分析模型，基于全球 45 个交易所的海量数据训练，支持沪深市场复权数据。该模型提供多个版本以适配不同的算力和应用需求。

模型名称	Tokenizer	上下文长度	参数量	开源情况
Kronos-mini	Tokenizer-2k	2048	4.1M	NeoQuasar/Kronos-mini
Kronos-small	Tokenizer-base	512	24.7M	NeoQuasar/Kronos-small
Kronos-base	Tokenizer-base	512	102.3M	NeoQuasar/Kronos-base
Kronos-large	Tokenizer-base	512	499.2M	暂未开放

安装与使用

1. 安装依赖

确保已安装 Python 3.10+，并运行：

pip install -r requirements.txt 

2. 加载模型与 Tokenizer

from model import Kronos, KronosTokenizer, KronosPredictor
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

3. 初始化预测器

predictor = KronosPredictor(model, tokenizer, device="cuda:0", max_context=512)

4. 准备输入数据

输入需要包含历史的 K 线数据：

import pandas as pd
df = pd.read_csv("./data/XSHG_5min_600977.csv")
df['timestamps'] = pd.to_datetime(df['timestamps'])
lookback = 400
pred_len = 120
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']

5. 生成预测结果

pred_df = predictor.predict(df=x_df, x_timestamp=x_timestamp, y_timestamp=y_timestamp, pred_len=pred_len, T=1.0, top_p=0.9, sample_count=1)
print(pred_df.head())

输出将包含未来 open、high、low、close、volume 和 amount 的 DataFrame。

6. 可视化

运行官方示例脚本，即可得到预测效果图表。

微调指南

如需在自有数据上进行微调（Finetuning），可参考以下流程：

1. 配置实验参数：设置数据路径、保存路径、训练超参数等。
2. 准备数据：使用 Qlib 工具预处理，划分训练/验证/测试集。
3. 模型微调：先微调 Tokenizer，再微调预测器。
4. 回测评估：检验模型在历史数据上的表现。

核心命令示例

# 数据预处理
python finetune/qlib_data_preprocess.py

# 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

运行后可获得回测曲线以评估模型表现。