Windows 系统部署 清华团队开源的 Kronos 金融 K 线基础模型——基于 EPGF 架构

【EPGF 白皮书】路径治理驱动的多版本 Python 架构—— Windows 环境治理与 AI 教学开发体系

【00】EPGF 架构搭建教程之 总揽篇

【收藏级】Windows AI 本地开发「完全体」环境搭建清单

Windows 系统部署 Kronos 金融 K 线基础模型 ——基于 EPGF 架构

Kronos 仓库介绍

Kronos 是一个针对金融 K 线序列的开源基础模型项目，专为金融市场 "语言" 设计。以下是该仓库的主要信息：

项目概述

Kronos 是首个针对金融烛台图（K 线）的开源基础模型，训练数据来自超过 45 个全球交易所。它采用两阶段框架：

1. 专用分词器将连续的多维 K 线数据（OHLCV）量化为分层离散令牌
2. 大型自回归 Transformer 在这些令牌上进行预训练，可作为多种量化任务的统一模型

模型家族

项目提供了一系列不同规模的预训练模型，均可从 Hugging Face Hub 获取：

主要功能

• 金融市场 K 线序列预测
• 提供 Web UI 界面可视化预测结果
• 支持在自定义数据上进行微调
• 包含完整的模型训练、预测和回测流程

一、EPGF 架构与 Python 环境准备

推荐使用 EPGF 架构下的多版本 Python 管理方案，确保环境路径可控、可迁移、可复现。示例路径结构如下：

D:\ └── A\ # Anaconda 安装根目录 └── envs\py310\ # Conda 虚拟环境：Python 3.10 └── python.exe # 解释器路径 

此路径将作为 PyCharm 和命令行的基础解释器。

二、克隆 Kronos 仓库

shiyu-coder/Kronos：Kronos：金融市场语言的基础模型

步骤 1：使用 GitHub Desktop 克隆项目

1. 启动 GitHub Desktop
2. 点击 Clone a repository → 选择 URL
3. 输入：
   • Repository URL：https://github.com/shiyu-coder/Kronos.git
   • Local Path：F:\PythonProjects\Kronos
4. 点击 Clone 开始克隆，等待完成。

步骤 2：在 PyCharm 打开项目

在 GitHub Desktop 右侧点击 Open in external editor，项目将自动在 PyCharm 打开。

三、创建本地虚拟环境

PyCharm 会检测到 requirements.txt，提示创建虚拟环境。
确认以下配置：

• 位置：F:\PythonProjects\Kronos\.venv
• 基础解释器：选择 D:\A\envs\py310\python.exe
• 依赖文件：requirements.txt

点击 OK，PyCharm 会自动：

• 创建 .venv 虚拟环境
• 安装初始依赖

创建完成后，PyCharm 底部状态栏应显示：
Python 3.10 (.venv)

四、替换 requirements.txt 并重新安装依赖

• 1. 打开项目根目录的 requirements.txt
• 2. 替换内容为以下版本（包含 CUDA 支持及 QLib 量化、 WebUI 等所需库）：

alembic==1.16.5 annotated-types==0.7.0 anyio==4.10.0 argon2-cffi==25.1.0 argon2-cffi-bindings==25.1.0 arrow==1.3.0 asttokens==3.0.0 async-lru==2.0.5 async-timeout==5.0.1 attrs==25.3.0 Authlib==1.6.4 babel==2.17.0 beautifulsoup4==4.13.5 bleach==6.2.0 blinker==1.9.0 cachetools==5.5.2 certifi==2025.8.3 cffi==2.0.0 charset-normalizer==3.4.3 clarabel==0.11.1 click==8.3.0 cloudpickle==3.1.1 colorama==0.4.6 comm==0.2.3 contourpy==1.3.2 cryptography==45.0.7 cvxpy==1.7.2 cycler==0.12.1 cyclopts==3.24.0 databricks-sdk==0.65.0 debugpy==1.8.17 decorator==5.2.1 defusedxml==0.7.1 dill==0.4.0 dnspython==2.8.0 docker==7.1.0 docstring_parser==0.17.0 docutils==0.22.2 einops==0.8.1 email-validator==2.3.0 exceptiongroup==1.3.0 executing==2.2.1 fastapi==0.117.1 fastjsonschema==2.21.2 fastmcp==2.12.3 filelock==3.19.1 fire==0.7.1 Flask==3.1.2 flask-cors==6.0.1 fonttools==4.60.0 fqdn==1.5.1 fsspec==2025.9.0 gitdb==4.0.12 GitPython==3.1.45 google-auth==2.40.3 graphene==3.4.3 graphql-core==3.2.6 graphql-relay==3.2.0 greenlet==3.2.4 gym==0.26.2 gym-notices==0.1.0 h11==0.16.0 hf-xet==1.1.10 httpcore==1.0.9 httpx==0.28.1 httpx-sse==0.4.1 huggingface-hub==0.33.1 idna==3.10 importlib_metadata==8.7.0 ipykernel==6.30.1 ipython==8.37.0 ipywidgets==8.1.7 isodate==0.7.2 isoduration==20.11.0 itsdangerous==2.2.0 jedi==0.19.2 Jinja2==3.1.6 joblib==1.5.2 json5==0.12.1 jsonpointer==3.0.0 jsonschema==4.25.1 jsonschema-path==0.3.4 jsonschema-specifications==2025.9.1 jupyter==1.1.1 jupyter-console==6.6.3 jupyter-events==0.12.0 jupyter-lsp==2.3.0 jupyter_client==8.6.3 jupyter_core==5.8.1 jupyter_server==2.17.0 jupyter_server_terminals==0.5.3 jupyterlab==4.4.7 jupyterlab_pygments==0.3.0 jupyterlab_server==2.27.3 jupyterlab_widgets==3.0.15 kiwisolver==1.4.9 lark==1.2.2 lazy-object-proxy==1.12.0 lightgbm==4.6.0 loguru==0.7.3 Mako==1.3.10 markdown-it-py==4.0.0 MarkupSafe==3.0.2 matplotlib==3.9.3 matplotlib-inline==0.1.7 mcp==1.14.1 mdurl==0.1.2 mistune==3.1.4 mlflow==3.4.0 mlflow-skinny==3.4.0 mlflow-tracing==3.4.0 more-itertools==10.8.0 mpmath==1.3.0 narwhals==2.5.0 nbclient==0.10.2 nbconvert==7.16.6 nbformat==5.10.4 nest-asyncio==1.6.0 networkx==3.4.2 notebook==7.4.5 notebook_shim==0.2.4 numpy==2.2.6 openapi-core==0.19.5 openapi-pydantic==0.5.1 openapi-schema-validator==0.6.3 openapi-spec-validator==0.7.2 opentelemetry-api==1.37.0 opentelemetry-proto==1.37.0 opentelemetry-sdk==1.37.0 opentelemetry-semantic-conventions==0.58b0 osqp==1.0.4 overrides==7.7.0 packaging==25.0 pandas==2.2.2 pandocfilters==1.5.1 parse==1.20.2 parso==0.8.5 pathable==0.4.4 pillow==11.3.0 platformdirs==4.4.0 plotly==6.3.0 prometheus_client==0.23.1 prompt_toolkit==3.0.52 protobuf==6.32.1 psutil==7.1.0 pure_eval==0.2.3 pyarrow==21.0.0 pyasn1==0.6.1 pyasn1_modules==0.4.2 pycparser==2.23 pydantic==2.11.9 pydantic-settings==2.10.1 pydantic_core==2.33.2 Pygments==2.19.2 pymongo==4.15.1 pyparsing==3.2.4 pyperclip==1.10.0 pyqlib==0.9.7 python-dateutil==2.9.0.post0 python-dotenv==1.1.1 python-json-logger==3.3.0 python-multipart==0.0.20 python-redis-lock==4.0.0 pytz==2025.2 pywin32==311 pywinpty==3.0.0 PyYAML==6.0.2 pyzmq==27.1.0 redis==6.4.0 referencing==0.36.2 requests==2.32.5 rfc3339-validator==0.1.4 rfc3986-validator==0.1.1 rfc3987-syntax==1.1.0 rich==14.1.0 rich-rst==1.3.1 rpds-py==0.27.1 rsa==4.9.1 ruamel.yaml==0.18.15 ruamel.yaml.clib==0.2.12 safetensors==0.6.2 scikit-learn==1.7.2 scipy==1.15.3 scs==3.2.8 Send2Trash==1.8.3 six==1.17.0 smmap==5.0.2 sniffio==1.3.1 soupsieve==2.8 SQLAlchemy==2.0.43 sqlparse==0.5.3 sse-starlette==3.0.2 stack-data==0.6.3 starlette==0.48.0 sympy==1.14.0 termcolor==3.1.0 terminado==0.18.1 threadpoolctl==3.6.0 tinycss2==1.4.0 tomli==2.2.1 torch==2.8.0+cu129 torchvision==0.23.0+cu129 tornado==6.5.2 tqdm==4.67.1 traitlets==5.14.3 types-python-dateutil==2.9.0.20250822 typing-inspection==0.4.1 typing_extensions==4.15.0 tzdata==2025.2 uri-template==1.3.0 urllib3==2.5.0 uvicorn==0.36.0 waitress==3.0.2 wcwidth==0.2.13 webcolors==24.11.1 webencodings==0.5.1 websocket-client==1.8.0 Werkzeug==3.1.1 widgetsnbextension==4.0.14 win32_setctime==1.2.0 zipp==3.23.0 

• 3. 保存文件，重新安装依赖：

pip install -r requirements.txt 

五、验证 PyTorch CUDA 加速

在 PyCharm 终端执行以下脚本，验证 CUDA 环境是否生效：

import torch print("PyTorch 版本：", torch.__version__) device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print("设备：", device) print("CUDA 可用：", torch.cuda.is_available()) print("cuDNN 已启用：", torch.backends.cudnn.enabled) print("支持的 CUDA 版本：", torch.version.cuda) print("cuDNN 版本：", torch.backends.cudnn.version()) x = torch.rand(5, 3).to(device) y = torch.rand(5, 3).to(device) z = x + y print("张量 z 的值：") print(z) 

✅ 期望输出：

• 设备：cuda:0
• CUDA 可用：True
• 张量计算无报错

如果 CUDA 验证失败，执行以下操作重新安装：

PyTorch 开始使用

pip uninstall torch torchvision torchaudio -y pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu129 

再重新运行上述验证脚本。

六、准备测试的数据集

（一）按 README.md 准备数据集

python finetune/qlib_data_preprocess.py

输出示例：

Microsoft Windows [Version 10.0.27950.1]
(c) Microsoft Corporation. All rights reserved.

(.venv) F:\PythonProjects\Kronos>python finetune/qlib_data_preprocess.py
Initializing Qlib...
[54444:MainThread](2025-09-22 12:46:41,383) INFO - qlib.Initialization - [config.py:452] - default_conf: client.
[54444:MainThread](2025-09-22 12:46:42,728) INFO - qlib.Initialization - [__init__.py:75] - qlib successfully initialized based on client settings.
[54444:MainThread](2025-09-22 12:46:42,728) INFO - qlib.Initialization - [__init__.py:77] - data_path={'__DEFAULT_FREQ': WindowsPath('C:/Users/love/.qlib/qlib_data/cn_data')}
Loading and processing data from Qlib...
Processing Symbols: 100%|████████████████████████████████████████████████████████████████████████████████████████████████| 642/642 [00:02<00:00, 316.39it/s]
Splitting data into train, validation, and test sets...
Preparing Datasets: 100%|███████████████████████████████████████████████████████████████████████████████████████████████| 605/605 [00:00<00:00, 2184.41it/s]
Datasets prepared and saved successfully.

(.venv) F:\PythonProjects\Kronos>

（二）准备测试数据

将 examples/data/XSHG_5min_600977.csv 示例文件 复制到 data 文件夹下（或自行按 .csv 格式模板 准备数据）

七、启动 Kronos WebUI

在项目根目录执行：

python webui/app.py 

启动成功后输出示例：

Starting Kronos Web UI... Model availability: True Tip: You can load Kronos model through /api/load-model endpoint * Serving Flask app 'app' * Debug mode: on WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead. * Running on all addresses (0.0.0.0) * Running on http://127.0.0.1:7070 * Running on http://192.168.1.5:7070 Press CTRL+C to quit * Restarting with stat Starting Kronos Web UI... Model availability: True Tip: You can load Kronos model through /api/load-model endpoint * Debugger is active! * Debugger PIN: 267-370-062 

浏览器会自动打开控制面板，或手动访问：

http://localhost:7070

警告信息为：

“WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.”

其含义是：当前启动的是开发环境服务器，不建议在正式的生产环境中使用。提示用户应改用专门的生产级 WSGI 服务器（如 Gunicorn、uWSGI 等）来部署应用。

这是因为 Flask 自带的开发服务器主要用于开发和调试阶段，存在性能较低、安全性不足、不支持高并发等问题，无法满足生产环境中对稳定性、安全性和性能的要求。

八、WebUI 测试与模型加载

在浏览器界面依次操作：

1. Select Model → 比如选择 Kronos-base (102.3M)
2. Select Device → 选择 CUDA (NVIDIA GPU)
3. 点击 Load Model，确认 CUDA 设备能成功加载模型
4. Select Data File → 从 data/ 目录选择 K-line 数据文件
5. 点击 Load Data 加载数据
6. 下拉页面 点击 Start Prediction 进入推理测试

如果模型和设备加载成功，终端应持续打印请求日志，说明 WebUI 工作正常。

九、总结

通过以上步骤，你已完成：

• ✅ 基于 EPGF 架构的 Conda + .venv 环境创建
• ✅ requirements.txt 替换及依赖安装
• ✅ PyTorch CUDA 环境验证
• ✅ Kronos WebUI 启动与浏览器测试

现在你的 Kronos 环境已支持 GPU 加速推理，可以开始量化研究与策略测试。