Kronos：首个开源金融K线基础模型，被AAAI 2026收录的金融AI新星-无双技术网

引言：当金融K线有了自己的语言模型

2025年7月，一个名为 Kronos 的项目悄然登陆 GitHub，不到一年便斩获近 3 万星标，成为 AI + 金融领域最炙手可热的开源项目。这个由清华大学团队打造的项目，被人工智能顶级会议 AAAI 2026 收录，标志着金融时序基础模型进入了一个全新的时代。

本文将带你全面认识 Kronos——这个被誉为”金融市场的语言模型”的开源神器。

什么是 Kronos？

Kronos 是首个专为金融 K 线（Candlestick/K-line）数据设计的开源基础模型（Foundation Model）。与传统的时间序列基础模型（TSFM）不同，Kronos 并非通用型模型，而是专门针对金融数据高噪声、多维度、非平稳的特性量身定制。

它由 Yu Shi（施煜）及其团队（包括宗良福、陈硕、赵博涵、许伟、张长水、李建）开发，训练数据覆盖 45+ 家全球交易所，涵盖加密货币、股票、商品期货和衍生品等多种资产类别。

此外，Kronos 论文已被 AAAI 2026（人工智能领域最顶级会议之一）正式接收，论文全文可在 arXiv 上查阅。

Kronos 两阶段框架概览

为什么金融 K 线需要专用基础模型？

一根 K 线并不是五个独立数字的简单组合：

开盘与收盘的关系——反映了市场情绪（阳线/阴线）
上下影线——编码了价格被拒绝和市场的犹豫
成交量——验证或否定价格行为的可靠性
K线形态组合（十字星、锤子线、吞没形态等）——讲述着市场心理的故事

然而，大多数通用时间序列基础模型（如 TimesFM、Chronos、Moirai）把金融数据当作普通的单变量序列来处理，完全丢失了 K 线背后丰富的多维语义信息。这就好比用处理电量预测的模型去解读莎士比亚——架构没错，但理解不了内容。

Kronos 正是为了解决这个问题而生——它将 K 线数据视为一种特殊的”金融市场语言”，从零开始构建专门的理解系统。

核心创新：两阶段框架

Kronos 最核心的创新在于其独特的 两阶段框架：

阶段一：专用 Tokenizer 量化 OHLCV 数据

Kronos 设计了一种 专用的金融 Tokenizer，将连续的多维 K 线数据（Open, High, Low, Close, Volume/Amount）量化为 层级化的离散 Token。

这个 Tokenizer 学习了 K 线形态的”词汇表”——就像语言模型学习词根一样，它能将价格区间、实体大小、影线比例、成交量水平等关键特征编码为结构化的 Token，同时保留它们之间的内在关系。

Kronos 提供两个版本的 Tokenizer：

Kronos-Tokenizer-2k（词汇量 2048，用于 mini 版本）
Kronos-Tokenizer-base（词汇量 512，用于 small/base/large 版本）

阶段二：自回归 Transformer 预训练

量化后的离散 Token 序列被送入一个 Decoder-only 的 Transformer 进行自回归预训练。模型学习预测下一个 K 线 Token，就像 GPT 预测下一个单词一样。

这个将连续多维回归问题转化为离散序列建模问题的思路非常优雅——因为 Transformer 在序列建模方面已被证明极其强大。

预训练完成后，Kronos 可以在零样本（zero-shot）条件下，直接应用于从未见过的任务——不同市场、不同时间周期、不同资产类别，无需微调即可上手。

模型家族：多种规格适配不同场景

Kronos 提供了多个规格的预训练模型，满足不同的计算资源和应用需求：

模型	Tokenizer	上下文	参数量	开源	适用场景
Kronos-mini	Tokenizer-2k	2048	4.1M	✓	快速实验、轻量部署
Kronos-small	Tokenizer-base	512	24.7M	✓	个人量化研究
Kronos-base	Tokenizer-base	512	102.3M	✓	专业量化多资产预测
Kronos-large	Tokenizer-base	512	499.2M	✗	高性能（未开源）

所有开源模型均可在 HuggingFace Hub 上直接下载，采用 MIT 开源协议。

性能表现

根据论文报告，Kronos 在零样本（zero-shot）场景下表现亮眼：

相比领先的通用时间序列基础模型，准确率提升 93%
相比非预训练的最优基线模型（如 LSTM），准确率提升 87%
经过微调后，在多个下游任务上达到 SoTA

这意味着 Kronos 在没有任何特定资产数据微调的情况下，凭借预训练学到的金融市场通用知识，就能超越专门针对该资产训练的模型。

快速上手：三分钟开始预测

Kronos 提供了非常简洁的 API，几行代码就能完成从数据加载到结果预测的完整流程。

安装依赖

pip install -r requirements.txt

加载模型

from model import Kronos, KronosTokenizer, KronosPredictor

# 从 HuggingFace Hub 加载
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

创建预测器

predictor = KronosPredictor(model, tokenizer, max_context=512)

准备数据

K 线数据需包含：open, high, low, close（必选），volume 和 amount 可选。

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"]

执行预测

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
)

print(pred_df.head())

返回的 DataFrame 包含预测的 open, high, low, close, volume, amount 值，以提供的 y_timestamp 为索引。

批量预测（多资产并行）

df_list = [df1, df2, df3]
x_timestamp_list = [x_ts1, x_ts2, x_ts3]
y_timestamp_list = [y_ts1, y_ts2, y_ts3]

pred_df_list = predictor.predict_batch(
    df_list=df_list,
    x_timestamp_list=x_timestamp_list,
    y_timestamp_list=y_timestamp_list,
    pred_len=pred_len,
    T=1.0,
    top_p=0.9,
    sample_count=1
)