Kronos K线预测快速上手：8分钟并行预测上千只股票，3步跑通第一次
【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
你盯几百只股票，靠人肉看K线根本盯不过来。Kronos 是首个专门处理K线序列的开源基础模型，支持上千只股票并行做K线预测，一批大批量分析耗时约 8 分钟。这篇就是完整的 Kronos 使用教程：从安装到第一次预测只要 3 步，后面还会讲参数速查、回测指标怎么读，以及 Kronos 微调的完整流程。
Kronos 是什么：两句话看懂K线基础模型
Kronos 是首个专门处理K线序列的开源基础模型，核心是一个两阶段架构。先用专门的K线分词器，把开高低收（OHLCV）这类多维K线数据量化成层次化的离散 token；再在这些 token 上预训练一个自回归 Transformer，把收盘价和成交量的预测统一交给同一个模型。
三步跑通第一次K线预测
结论先行：克隆仓库、装依赖、跑官方示例脚本，你就能拿到第一张预测图。
第 1 步，克隆仓库
git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos第 2 步，安装依赖
pip install -r requirements.txt第 3 步，跑第一次预测
示例脚本已经包含从加载数据到出图的完整流程：
python examples/prediction_example.py跑完你会看到一张真实值与预测值的对比图。如果手头数据没有成交量，可以直接用 examples/prediction_wo_vol_example.py，不需要 volume 和 amount 列。
Kronos 参数速查：只需记住 3 个
你只需要看懂 3 个参数，剩下的预处理、归一化、反归一化都由 KronosPredictor 自动完成：
| 参数 | 作用 | 说明 |
|---|---|---|
| max_context | 模型能处理的最大序列长度 | Kronos-small / Kronos-base 为 512，超长输入会自动截断 |
| lookback | 输入窗口长度 | 建议不超过 max_context，效果更稳 |
| pred_len | 预测步长 | 一次生成多少根未来K线 |
从 1 只到 1000 只：KronosPredictor 与 predict_batch 的分工
单只股票交给 KronosPredictor，千股并行预测交给 predict_batch。predict_batch 接收多份 DataFrame 和时间戳列表，利用 GPU 并行一次完成多序列预测，唯一的硬要求是所有序列历史长度相同、pred_len 相同。这正是批量分析沪深 300、中证 500 成分股、识别板块轮动、监控异常波动个股这些场景的基础。完整写法可以参考 examples/prediction_batch_example.py。
Kronos 预测效果与回测指标怎么读
先看预测对比图，再看回测曲线。
预测对比图把真实值和预测值叠在一起，一眼就能看出收盘价与成交量两条线的走势拟合程度：
真实标的方面，仓库里附带了港股 09988（阿里巴巴）5 分钟K线的完整预测实例，见 finetune_csv/examples/。
预测之后要进回测验证。回测结果重点读 3 个指标：累积收益（带成本）看绝对表现；超额收益（带成本）看扣掉交易成本后还剩多少优势；基准指数是参照线，策略曲线长期站在基准上方才算真正跑赢：
用自己的数据微调 Kronos：4 步简表
官方微调流水线分 4 步，按顺序执行即可：
| 步骤 | 做什么 | 用什么 |
|---|---|---|
| 1. 配置 | 设定数据路径、模型保存路径、epochs 等超参 | finetune/config.py |
| 2. 数据准备 | 用 Qlib 处理数据并切成训练/验证/测试集 | finetune/qlib_data_preprocess.py |
| 3. 模型微调 | 先微调 Tokenizer，再微调 Predictor | torchrun 启动 finetune/train_tokenizer.py、finetune/train_predictor.py |
| 4. 回测验证 | 测试集上生成预测信号并跑 top-K 策略回测 | finetune/qlib_test.py |
开始前先装 Qlib：pip install pyqlib。完整的 Kronos 微调说明在 finetune/ 目录，用 CSV 数据微调的另一种方案见 finetune_csv/README_CN.md。
部署前先检查这组配置
硬件要达到这条线才跑得顺：GPU 显存 ≥40GB、多核 CPU、内存 ≥256GB。显存吃紧时，动态批处理加混合精度能把显存占用再降 20%。效率方面官方数据口径是：效率提升 53.8%、时间节省 67%、预测准确率超 85%。
谁该用 Kronos，以及下一步
- 个人投资者：先跑 examples/prediction_example.py，体验单只股票的K线预测。
- 资产管理机构：用 predict_batch 做成分股批量分析，辅助日常组合筛查。
- 对冲基金：用自有数据微调，把模型输出接进自己的回测体系。
下一步建议按顺序走：看 README.md 了解全部功能和模型版本；运行 examples/prediction_example.py 或 examples/prediction_batch_example.py；想搭可视化预测页面，看 webui/README.md。
【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
