A股K线建模告别手搓｜开源Kronos拿下AAAI 2026

⚠️ 风险提示：本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。 文中提到的 Kronos 是面向金融 K 线的开源基础模型，提供概率性预测信号，绝非"明日涨跌"或"稳赚信号"——任何把它直接用于实盘裸信号的玩法都可能带来严重亏损。

封面：金融K线与神经网络的融合

一、为什么金融领域需要专属的"基础模型"？

过去两年，时间序列基础模型（TSFM）赛道非常热闹——Chronos、Moirai、TimeFM、TimesNet 等通用模型横扫学术榜单。但把这些模型直接搬到 A 股、港股、加密货币等金融场景，研究员们很快会发现三个问题：

数据分布差异大：金融 K 线是高噪声、非平稳、分布持续漂移的"另类序列"，通用模型在 ImageNet/电力/交通上预训练的归纳偏置并不适用。
缺乏结构化语义：通用 TSFMs 通常把连续值直接分桶（Binning）或归一化后再喂 Transformer，丢失了"开盘-最高-最低-收盘"这种金融特有的耦合结构。
没有可复现的工程流水线：学术论文只发权重，缺工具链、缺微调脚本、缺回测框架，从 demo 到生产要走很多弯路。

为了解决这三个问题，Yu Shi 等作者在 2025 年 8 月正式开源了 Kronos——首个面向金融 K 线的开源基础模型。论文于同年 8 月挂上 arXiv:2508.02739，并于 2025 年 11 月被 AAAI 2026 接收。

二、Kronos 是什么？一句话讲清楚

Kronos 是一族 decoder-only 基础模型，专为金融市场的"语言"——K 线序列预训练而成。它由两部分组成：

专用分词器（Tokenizer）：把连续多维 K 线（OHLCV：开盘价 / 最高价 / 最低价 / 收盘价 / 成交量）量化为层次化离散 token。
大型自回归 Transformer：在这些 token 上预训练，可作为多样化量化任务的统一模型。

训练数据来自全球 45+ 交易所，涵盖股票、加密货币、期货等多市场，是真正的"金融原生"基础模型，而非通用 TSFM 的微调套壳。

三、模型库：4 档开源，覆盖从边缘到云端

Kronos 把模型族设计成阶梯式，参数量从 4.1M 一直延伸到 499M（large 未开源），让你根据硬件和精度需求自由选择：

模型	参数量	上下文长度	Tokenizer	开源情况
Kronos-mini	4.1M	2048	Kronos-Tokenizer-2k	✅ HuggingFace
Kronos-small	24.7M	512	Kronos-Tokenizer-base	✅ HuggingFace
Kronos-base	102.3M	512	Kronos-Tokenizer-base	✅ HuggingFace
Kronos-large	499.2M	512	Kronos-Tokenizer-base	❌ 仅权重，未开源

Kronos 模型库一览

使用建议：

个人笔记本 / 边缘设备 → mini（4.1M），CPU 都能跑，调试首选
单 GPU 实验 / 二次开发 → small（24.7M），性价比最高
中等规模微调 / A 股实验 → base（102.3M），能力最稳
大规模集群推理 → large（499M，目前只有论文指标）

四、5 分钟上手：A股 K 线预测代码示例

Kronos 把所有数据预处理、归一化、预测、反归一化都封装在了 KronosPredictor 类里——你只要准备好 OHLCV DataFrame 和时间戳，5 行代码就能出预测：

from model import Kronos, KronosTokenizer, KronosPredictor
import pandas as pd

# 1️⃣ 加载分词器和模型（自动从 HuggingFace 下载）
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

# 2️⃣ 实例化预测器
predictor = KronosPredictor(model, tokenizer, max_context=512)

# 3️⃣ 准备数据（A 股 5 分钟 K 线，含 OHLCV）
df = pd.read_csv("./data/XSHG_5min_600977.csv")
df['timestamps'] = pd.to_datetime(df['timestamps'])

lookback, pred_len = 400, 120  # 用过去 400 根 5min K 线，预测未来 120 根
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']

# 4️⃣ 一行代码生成预测
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,
)

predictor.predict() 返回的 pred_df 是一个标准 pandas DataFrame，包含 open / high / low / close / volume / amount 6 列预测值，时间索引为 y_timestamp。直接丢给 matplotlib 或 plotly 就能画 K 线图。

批量预测：predict_batch() 支持多标的并行推理（GPU 上自动并行），所有序列的 lookback / pred_len 必须一致。

Kronos A 股预测示例

五、整体架构：从 K 线到 token，再回到 K 线

Kronos 的两阶段框架设计很经典，但细节充满金融领域巧思。下图来自论文（README 直接提供），展示了从原始 K 线到 token 序列再到预测输出的全流程：

Kronos 整体架构总览

关键设计点：

专用分词器：先用一个对比学习式的连续 → 离散 tokenizer 把 OHLCV 5 维向量编码为 token ID 序列。相比通用 TSFMs 的 Binning 方法，金融专用的 tokenizer 能捕捉 OHLC 之间的耦合结构（比如收盘价突破最高价 / 最低价的趋势延续性）。
Decoder-only Transformer：与 GPT 类似的自回归结构，但在金融数据上预训练，权重初始就"懂"K 线节奏。
同 tokenizer 解码：推理时把生成的 token 序列喂回 tokenizer 即可还原 OHLCV 数值，确保数值合法（比如不会出现 high < low 这种荒谬输出）。

六、A股微调流水线：Qlib + Kronos 全流程

光有预训练模型还不够——对 A 股这种特殊市场（T+1、涨跌停、停牌）必须做领域微调。Kronos 官方提供了完整流水线：

6.1 安装 Qlib

pip install pyqlib
# 按 Qlib 官方指南下载日频 A 股数据到本地

6.2 配置实验

修改 finetune/config.py：

qlib_data_path：本地 Qlib 数据目录
dataset_path：处理后的 train/val/test pickle 路径
pretrained_predictor_path：填 NeoQuasar/Kronos-small 或本地路径

6.3 数据预处理

python finetune/qlib_data_preprocess.py
# 生成 train_data.pkl / val_data.pkl / test_data.pkl

6.4 多 GPU 微调（先 tokenizer，再 predictor）

torchrun --standalone --nproc_per_node=2 finetune/train_tokenizer.py
torchrun --standalone --nproc_per_node=2 finetune/train_predictor.py

6.5 回测评估

python finetune/qlib_test.py --device cuda:0
# 输出策略 vs 基准的累计收益曲线 + 详细性能指标

Qlib A 股回测曲线示例

作者特别说明：本流水线只是演示微调流程，不是生产级量化系统。稳健的量化策略还需要：

投资组合优化（均值方差 / 风险平价）
风险因子中性化（市场 beta、规模、价值等风格因子）
交易成本建模（佣金、滑点、市场冲击）
动态仓位管理与止损/止盈规则

直接拿裸信号实盘风险极高——README 写得很克制，这是 AI × 金融领域难得的诚实态度。

七、Kronos vs 通用 TSFMs：差异到底在哪？

很多读者第一反应是"我直接用 Chronos/Moirai/TimeFM 不行吗？"——下面是核心差异对比：

维度	Kronos	通用 TSFMs（Chronos/Moirai/TimeFM）
训练数据	45+ 交易所 K 线 OHLCV	通用数值时间序列（LOTSA、电力、交通、天气）
分词方式	层次化离散 token + 对比量化	连续值直接分桶（Binning）或归一化
微调支持	✅ 提供 Qlib A 股微调流水线	通常不提供，靠 LoRA 自行摸索
回测集成	✅ Qlib + Top-K 策略示例	需自行实现
典型参数规模	4M~102M（large 499M 未开源）	数百万到数十亿
金融特性	高噪声、多尺度、分布漂移	通用平稳假设
上手门槛	pip install + 几行 Python	通常需要复杂配置

Kronos vs 通用 TSFMs

核心结论：如果你做通用时间序列预测（电力、传感器、库存），通用 TSFMs 完全够用；但如果你做金融 K 线预测且希望"开箱即用 + 工程化流水线"，Kronos 是当前唯一专门为这件事设计的开源方案。

八、为什么值得在 2026 年关注 Kronos？

AAAI 2026 学术背书：不是野路子，论文通过同行评审；清华 / 自动化所背景的 Yu Shi 团队出品。
MIT 协议 + 3 档开源权重：商用友好，base 模型仅 102M，单 GPU 即可微调。
完整工程化交付：Tokenizer + Predictor + Qlib 微调 + Web UI（webui/app.py）+ Live Demo 一应俱全。
活跃社区：35K+ stars、5K+ forks，76+ commits，模型在持续迭代（最新 commit 2026-04-13）。
诚实克制：作者明确告知"开源版本上下文长度上限 512，large 模型暂未开源，示例回测仅作演示"——这种不吹牛的态度在 AI × 金融领域难能可贵。

九、适用人群与上手路线

适合：

量化研究员：需要快速搭建 K 线预测 baseline
高校金融工程 / ML 学生：论文可复现，工程脚手架完整
私募 / 自营团队：想要低成本私有化部署一个"金融大模型"做研究
AI Agent 工程师：把 Kronos 作为"市场感知"模块接入更大的 Agent 系统

不适合：

想要"明日涨跌"信号的散户（Kronos 是概率性预测，不是交易信号生成器）
期望裸信号实盘就赚钱的"懒人策略"（任何量化系统都需要组合优化 + 风控 + 成本建模）
没有 Python / PyTorch 基础的用户（Kronos 是研究员工具，不是消费级 App）

5 分钟上手路线：

# 1. 安装
pip install -r requirements.txt
# 2. 启动 Web UI（可视化预测）
cd webui && python app.py
# 3. 或直接跑 notebook
jupyter notebook examples/prediction_example.ipynb

十、写在最后

Kronos 不是"又一个 AI 神器"，而是一个带着工程诚意的开源项目。它没有夸大"AI 帮你赚钱"的叙事，而是把基础模型 + 微调 + 回测 + Web UI + Live Demo 完整地交付出来。

对个人量化爱好者：Kronos 让你能用 A 股 5min K 线，5 行 Python 跑通一个 AAAI 2026 同款基础模型的预测——这在 2025 年之前是不可想象的。

对机构团队：Kronos 提供了"金融大模型"基线，可以基于此二次微调或蒸馏，搭建符合自家策略的预测层。

对学术界：AAAI 2026 接收 + 完整开源，是非常好的 TSFM × Finance 复现研究对象。

——在 AI × 金融最喧嚣的 2026 年，这种克制的开源态度值得我们为它专门写一篇文章。

引用

如果在研究中使用 Kronos，请引用论文：

@misc{shi2025kronos,
      title={Kronos: A Foundation Model for the Language of Financial Markets},
      author={Yu Shi and Zongliang Fu and Shuo Chen and Bohan Zhao and Wei Xu and Changshui Zhang and Jian Li},
      year={2025},
      eprint={2508.02739},
      archivePrefix={arXiv},
      primaryClass={q-fin.ST},
      url={https://arxiv.org/abs/2508.02739},
}

项目链接

GitHub: https://github.com/shiyu-coder/Kronos
HuggingFace: https://huggingface.co/NeoQuasar
Live Demo (BTC/USDT 24h 预测): https://shiyu-coder.github.io/Kronos-demo/
论文 (arXiv): https://arxiv.org/abs/2508.02739

协议

MIT License — 商用友好，附带完整工程文档。