Kronos 金融K线预测怎么用？模型选型、WebUI、CSV 微调到 API 完整指南

Kronos 金融K线预测怎么用模型选型、WebUI、CSV 微调到 API 完整指南【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 是一个专门做金融K线预测的开源时序模型先用专用分词器把 OHLCV开盘/最高/最低/收盘/成交量K线数据量化成离散 token再让自回归 Transformer 在 token 序列上生成未来的K线。官方开源了 4.1M 到 102.3M 参数三档模型CPU 或单张 GPU 都能跑适合量化研究者、数据分析师和想给预测系统加K线能力的人。它的工作方式分两步分词器负责读懂K线的形态自回归模型负责按 token 逐个预测下一根K线。因为预训练数据覆盖 45 个以上交易所的K线序列模型对金融数据的高噪声特性有针对性处理。先选模型mini / small / base 怎么选选型决定了你后面所有步骤的硬件门槛所以放第一步。三个开源档位的硬指标模型参数规模上下文长度适用场景Kronos-mini4.1M2048CPU 或低显存环境长历史窗口实时预测Kronos-small24.7M512性能与速度均衡常规预测Kronos-base102.3M512追求更高精度显存需求明显更高 默认推荐CPU 用 Kronos-mini有 NVIDIA GPU 用 Kronos-small。注意 small 和 base 的上下文上限是 512 根K线输入历史超过 512 时KronosPredictor会自动截断所以回看窗口设 400 左右比较稳妥mini 的上下文是 2048可以塞更长的历史。最小路径最快跑通第一次预测这步做完你应该能打开 Kronos WebUI 页面并看到一条完整的预测结果验证整条链路是通的。✅ 要求 Python 3.10 以上。克隆仓库、装依赖、启动 WebUI全部命令如下git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt cd webui python run.pyWebUI 的完整说明在 webui/核心依赖就是 Flask 上面 requirements.txt 里的模型栈。启动成功后在浏览器访问http://localhost:7070操作流程是导入自己的 CSV 或 Feather 数据文件 → 选择模型档位和计算设备CPU / CUDA / MPS→ 调节温度、核采样、采样条数 → 点击预测。时间窗口固定为 400 根历史 120 根预测。成功的标志7070 端口页面能打开点击预测后页面出现K线图预测曲线接在历史数据末端并附价格差与误差统计表格。第一次加载模型会联网下载权重稍等片刻。不想用浏览器也行直接跑 examples/prediction_example.py它会对内置示例数据做预测并在弹窗里画出预测值与真实值的对比曲线——这张图就是预测正常的参照⚠️ 依赖安装冲突新建独立虚拟环境后重装别混用系统 Python。 ⚠️ 模型加载失败或长时间无响应检查网络连接权重需从 Hugging Face 拉取。换自己的数据CSV 微调与效果验证预训练模型看的是全市场要预测某只具体标的、某个特定周期时用自己的K线微调通常效果更贴。整个流程在 finetune_csv/ 目录分三步。✅数据准备CSV 必须包含 7 列timestamps、open、high、low、close、volume、amount。没有成交量数据时 volume 和 amount 全填 0 即可仓库里data/HK_ali_09988_kline_5min_all.csv是可直接对照的标准样例。✅写配置参照configs/config_ali09988_candle-5min.yaml模板必改四项data.data_path你的 CSV、model_paths下两个预训练模型路径、lookback_window每次取多少历史点默认 512、predict_window预测未来多少点默认 48。学习率、epoch、batch_size 都可以按数据量调。✅训练一条命令顺序完成先分词器、后预测模型两阶段微调cd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml最优检查点会落到finetuned/{exp_name}/tokenizer/best_model/和basemodel/best_model/控制台实时输出训练进度验证损失最低的权重被自动保留。多卡可用 torchrun 加 DDP 加速。怎么判断微调有没有效第一层看验证损失是否下降第二层看预测曲线官方用阿里巴巴港股 5 分钟K线微调后的输出长这样——预测段右侧与历史走势的衔接和波动节奏是否一致第三层做回测。finetune/ 目录提供了基于 Qlib 数据的回测脚本pip install pyqlib并自备 Qlib 数据后运行qlib_test.py输出策略与基准的累计收益曲线⚠️ 列缺失报错timestamps/open/high/low/close为必需列volume/amount缺就补 0。 ⚠️ 训练显存不够调小batch_size或把底座换成 Kronos-mini 再微调。接入自己的代码API 最小示例这步做完你能把 Kronos 的预测能力嵌进自己的脚本或数据管道。核心是 model/ 里的KronosPredictor类——归一化、采样、反归一化都在内部处理你只需准备三样东西历史 DataFrame、历史时间戳、未来时间戳。from model import Kronos, KronosTokenizer, KronosPredictor tokenizer KronosTokenizer.from_pretrained(NeoQuasar/Kronos-Tokenizer-base) model Kronos.from_pretrained(NeoQuasar/Kronos-small) predictor KronosPredictor(model, tokenizer, max_context512) # 单条预测df 需含 open/high/low/close 四列volume/amount 可选 pred_df predictor.predict(dfx_df, x_timestampx_ts, y_timestampy_ts, pred_len120) # 批量预测各序列历史长度和 pred_len 必须一致 preds predictor.predict_batch(df_list[df1, df2], x_timestamp_list[ts1, ts2], y_timestamp_list[y1, y2], pred_len120)关键参数解释pred_len是要预测的未来K线根数T是采样温度越高随机性越强top_p是核采样截断概率sample_count生成多条预测路径再取平均建议 2-3。predict返回以y_timestamp为索引的 DataFrame含 open/high/low/close/volume/amount 的预测值。⚠️ 预测值尺度明显偏离检查数据是否按时间升序、有无缺K线small/base 输入历史别超过 512 根。 ⚠️ 批量预测报错确认所有序列的 lookback 窗口长度完全一致缺列会被补 0。下一步建议打开 WebUI换一只自己关注的股票的K线 CSV 跑一次预测看看预测曲线长什么样。如果效果不理想把同一份 CSV 走一遍上面的 CSV 微调流程对比微调前后的曲线差异再决定是否把predict_batch接进批量评估。【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