Kronos 股票预测教程4 步跑出自己的第一张 K 线预测【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/KronosKronos 是首个开源的金融 K 线基础模型在超过 45 家全球交易所的行情上训练。它接收一段历史 K 线输出一段未来的 OHLCV 序列把归一化、采样、反归一化都包在内部。适合想验证行情预测思路的入门者也适合想接入现有流程的量化开发者。它解决什么问题 K 线天然嘈杂开高低收再加成交量五个维度互相牵扯。传统指标对同一段走势经常给出相反信号手工核对又慢。Kronos 把 K 线当作一种语言来学习模型先读懂历史序列的分布再按同样的分布往后续写你得到的是可以直接画图、回测的数字序列而不是一句模糊的方向判断。安装步骤与最短运行示例 先确认你装了 Python 3.10 以上。下面 4 步走完你就能拿到第一张预测图。克隆仓库git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos进入目录并安装依赖cd Kronos pip install -r requirements.txt准备一份 K 线 CSV。必须包含open、high、low、close四列加一列时间戳volume、amount可选。examples/get_date_new.py 演示了用 akshare 拉日线的完整流程可以照着改出你自己的数据。跑官方示例脚本 examples/prediction_example.py把其中的数据路径换成你的 CSV运行后它会打印前几行预测值并画一张历史 预测的对比图。如果你不想敲代码webui/ 里有现成的图形界面cd webui python app.py启动后浏览器访问 http://localhost:7070 。上传 CSV用滑块选一段 400 条历史加 120 条预测的窗口调一下温度和采样数点预测按钮页面会画出 K 线图并给出预测值与实际值的对比统计。不依赖 webui 时最短可运行示例是这样的约 10 行保存成脚本直接运行from model import Kronos, KronosTokenizer, KronosPredictor import pandas as pd tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512) df pd.read_csv(./your_kline.csv) pred_df predictor.predict(dfdf, x_timestampdf[timestamps], y_timestampdf[timestamps].iloc[-120:]) print(pred_df.head())它做的事很直接加载 24.7M 参数的 Kronos-small对你提供的全部历史数据做上下文续写 120 根 K 线。注意 small 和 base 的上下文上限是 512历史超过部分会被自动截断。原理速览模型怎么看懂K 线 这张图展示了 Kronos 的整体流程左侧的分词器把连续 K 线切成分层级的离散 token右侧的自回归 Transformer 在这些 token 上训练最终输出未来的 K 线序列。打个比方。人读 K 线图时先扫一眼大趋势再低头看每根蜡烛的细节。Kronos 的第一步做的事一样分词器同时保留粗粒度和细粒度两层 token既记下这一波是涨也记下每根蜡烛怎么波动。第二步训练好的因果 Transformer 像语言模型补全句子一样补全行情给定前文逐位生成下一个 token直到 120 根未来 K 线写完。你调的温度 T 控制生成时的随机程度T 越低输出越保守。效果验证预测对比与回测结果怎么看 这张图展示了官方示例的完整输出上方是真实价格与模型预测的并排对比下方是成交量预测。数据是 5 分钟 K 线400 根历史续写 120 根。你可以重点看两条曲线在转折点的贴合程度以及预测段是否跟上了量能的节奏。这张图展示了微调后的回测结果上半部分是策略累计收益曲线和 CSI300 基准下半部分是对应超额收益。按 finetune/ 里的四步流程跑一遍配置、数据预处理、分词器与预测器微调、回测你会得到同样格式的曲线。官方也提醒过demo 里用的是简单 top-K 策略离生产策略还差组合优化和成本建模这两步。这张图展示了在自定义 CSV 上微调后的效果用 finetune_csv/ 的流程在阿里巴巴 5 分钟 K 线上训练再对历史窗口做预测。想微调自己的品种直接照着这个目录里的配置改数据路径就行。适用人群与进阶用法 零代码的个人投资者走 webui 这条路就够了。上传 CSV、选窗口、点按钮不写一行 Python 也能拿到预测图再用页面上的对比统计自己判断可信度。量化开发者把 examples/prediction_batch_example.py 里的predict_batch接进现有流程一次喂多只标的并行出信号信号再进你已有的组合优化环节。回测脚本 examples/run_backtest_kronos.py 可以直接当骨架用。想微调的团队finetune_csv/ 提供了一条纯 CSV 微调路线train_sequential.py一条命令顺序完成分词器和预测器的训练多卡时加torchrun分布式参数即可。FAQ ❓Q没有显卡能跑吗能。mini4.1M 参数在普通笔记本的 CPU 上就能推理base102.3M建议有 NVIDIA 或 Apple 的 GPU。webui 里 CPU、CUDA、MPS 三种设备都能选。Q数据格式有要求吗必须包含open、high、low、close四列和时间戳列volume、amount可选缺失会按 0 填充。列名大小写要完全一致。Q预测有多准输出是统计意义上的走势序列不是收益保证。仓库提供回测脚本让你自己验证正式使用前务必在留出区间上跑一遍再下结论。Q行情数据从哪来模型不附带数据源。用 akshare、tushare 这类库拉 K 线或者接入你自己的数据库整理成上面说的 CSV 就能喂进去。写在最后 从 clone 到第一张预测图4 步就能走完从预测到微调、回测仓库里每一环都给了脚本。Kronos 是帮你更快看懂 K 线的辅助工具不构成任何投资建议。想继续深入就从 examples/ 和 finetune_csv/ 两个目录读起。【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 Kronos 股票预测教程：4 步跑出自己的第一张 K 线预测
Kronos 股票预测教程4 步跑出自己的第一张 K 线预测【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/KronosKronos 是首个开源的金融 K 线基础模型在超过 45 家全球交易所的行情上训练。它接收一段历史 K 线输出一段未来的 OHLCV 序列把归一化、采样、反归一化都包在内部。适合想验证行情预测思路的入门者也适合想接入现有流程的量化开发者。它解决什么问题 K 线天然嘈杂开高低收再加成交量五个维度互相牵扯。传统指标对同一段走势经常给出相反信号手工核对又慢。Kronos 把 K 线当作一种语言来学习模型先读懂历史序列的分布再按同样的分布往后续写你得到的是可以直接画图、回测的数字序列而不是一句模糊的方向判断。安装步骤与最短运行示例 先确认你装了 Python 3.10 以上。下面 4 步走完你就能拿到第一张预测图。克隆仓库git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos进入目录并安装依赖cd Kronos pip install -r requirements.txt准备一份 K 线 CSV。必须包含open、high、low、close四列加一列时间戳volume、amount可选。examples/get_date_new.py 演示了用 akshare 拉日线的完整流程可以照着改出你自己的数据。跑官方示例脚本 examples/prediction_example.py把其中的数据路径换成你的 CSV运行后它会打印前几行预测值并画一张历史 预测的对比图。如果你不想敲代码webui/ 里有现成的图形界面cd webui python app.py启动后浏览器访问 http://localhost:7070 。上传 CSV用滑块选一段 400 条历史加 120 条预测的窗口调一下温度和采样数点预测按钮页面会画出 K 线图并给出预测值与实际值的对比统计。不依赖 webui 时最短可运行示例是这样的约 10 行保存成脚本直接运行from model import Kronos, KronosTokenizer, KronosPredictor import pandas as pd tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512) df pd.read_csv(./your_kline.csv) pred_df predictor.predict(dfdf, x_timestampdf[timestamps], y_timestampdf[timestamps].iloc[-120:]) print(pred_df.head())它做的事很直接加载 24.7M 参数的 Kronos-small对你提供的全部历史数据做上下文续写 120 根 K 线。注意 small 和 base 的上下文上限是 512历史超过部分会被自动截断。原理速览模型怎么看懂K 线 这张图展示了 Kronos 的整体流程左侧的分词器把连续 K 线切成分层级的离散 token右侧的自回归 Transformer 在这些 token 上训练最终输出未来的 K 线序列。打个比方。人读 K 线图时先扫一眼大趋势再低头看每根蜡烛的细节。Kronos 的第一步做的事一样分词器同时保留粗粒度和细粒度两层 token既记下这一波是涨也记下每根蜡烛怎么波动。第二步训练好的因果 Transformer 像语言模型补全句子一样补全行情给定前文逐位生成下一个 token直到 120 根未来 K 线写完。你调的温度 T 控制生成时的随机程度T 越低输出越保守。效果验证预测对比与回测结果怎么看 这张图展示了官方示例的完整输出上方是真实价格与模型预测的并排对比下方是成交量预测。数据是 5 分钟 K 线400 根历史续写 120 根。你可以重点看两条曲线在转折点的贴合程度以及预测段是否跟上了量能的节奏。这张图展示了微调后的回测结果上半部分是策略累计收益曲线和 CSI300 基准下半部分是对应超额收益。按 finetune/ 里的四步流程跑一遍配置、数据预处理、分词器与预测器微调、回测你会得到同样格式的曲线。官方也提醒过demo 里用的是简单 top-K 策略离生产策略还差组合优化和成本建模这两步。这张图展示了在自定义 CSV 上微调后的效果用 finetune_csv/ 的流程在阿里巴巴 5 分钟 K 线上训练再对历史窗口做预测。想微调自己的品种直接照着这个目录里的配置改数据路径就行。适用人群与进阶用法 零代码的个人投资者走 webui 这条路就够了。上传 CSV、选窗口、点按钮不写一行 Python 也能拿到预测图再用页面上的对比统计自己判断可信度。量化开发者把 examples/prediction_batch_example.py 里的predict_batch接进现有流程一次喂多只标的并行出信号信号再进你已有的组合优化环节。回测脚本 examples/run_backtest_kronos.py 可以直接当骨架用。想微调的团队finetune_csv/ 提供了一条纯 CSV 微调路线train_sequential.py一条命令顺序完成分词器和预测器的训练多卡时加torchrun分布式参数即可。FAQ ❓Q没有显卡能跑吗能。mini4.1M 参数在普通笔记本的 CPU 上就能推理base102.3M建议有 NVIDIA 或 Apple 的 GPU。webui 里 CPU、CUDA、MPS 三种设备都能选。Q数据格式有要求吗必须包含open、high、low、close四列和时间戳列volume、amount可选缺失会按 0 填充。列名大小写要完全一致。Q预测有多准输出是统计意义上的走势序列不是收益保证。仓库提供回测脚本让你自己验证正式使用前务必在留出区间上跑一遍再下结论。Q行情数据从哪来模型不附带数据源。用 akshare、tushare 这类库拉 K 线或者接入你自己的数据库整理成上面说的 CSV 就能喂进去。写在最后 从 clone 到第一张预测图4 步就能走完从预测到微调、回测仓库里每一环都给了脚本。Kronos 是帮你更快看懂 K 线的辅助工具不构成任何投资建议。想继续深入就从 examples/ 和 finetune_csv/ 两个目录读起。【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