青年是整个社会力量中的一部分最积极最有生气的力量。他们最肯学习，最少保守思想，在社会主义时代尤其是这样。——毛泽东

当金融市场开始“说话”：认识 Kronos 这位读 K 线的基础模型

在很多人的印象里，K 线图像一张沉默的地图：开盘、收盘、最高、最低，外加成交量和成交额，把市场一天、一小时，甚至几分钟的情绪，压缩成一根根蜡烛形状的线段。它不解释，只呈现；不说话，却总像在暗示什么。

而 Kronos 做的事情，恰恰很有意思——它试图把这种“沉默的表达”当成一种真正的语言来理解。

Kronos 的项目 description 只有一句话，却已经把它的定位说得很清楚：

Kronos: A Foundation Model for the Language of Financial Markets

README 进一步补上了更有分量的一句介绍：Kronos 是首个开源的金融蜡烛图基础模型，面向金融 K 线，训练数据来自全球超过 45 个交易所。这不是把通用模型硬套到金融序列上，而是从一开始就把目标锁定在 K-line sequences 这一类特殊对象上。

项目地址：https://github.com/shiyu-coder/Kronos

它想理解的，不只是时间序列，而是“市场语言”

Kronos 在 README 里的核心表达非常鲜明：它是一个decoder-only 的基础模型家族，专门为金融市场的“语言”——也就是 K 线序列——进行预训练。

这里最值得玩味的，是“语言”这个比喻。

在一般叙述里，K 线常被当作数值序列、特征集合，或者预测输入；但在 Kronos 的视角中，它更像一种有结构、有上下文、有组合规则的表达系统。README 提到，Kronos 并不是沿着通用时间序列基础模型的路线前进，而是围绕 K 线自身的表达方式构建了一套专门机制。它大致分成两步：

先通过一个专门的 tokenizer，把连续的、多维的 K 线数据，也就是 OHLCV 这类信息，量化为分层离散 token
再用一个大型自回归 Transformer 在这些 token 上进行预训练，从而把模型变成能够服务多种量化任务的统一模型

这两步连起来看，Kronos 的思路就非常完整了：先把市场的连续波动“翻译”成模型更擅长处理的离散符号，再用语言模型式的方法去学习这些符号之间的上下文关系。

如果说传统做法更像是在测量市场，那么 Kronos 更像是在“读”市场。

一个模型家族，而不是单点实验

Kronos 并不是只放出一个模型就结束了。README 给出了一个明确的 Model Zoo，说明它提供了一组不同容量的预训练模型，用来适配不同的计算资源和应用需求。

目前列出的模型包括：

Kronos-mini
- Tokenizer：Kronos-Tokenizer-2k
- Context length：2048
- 参数量：4.1M
Kronos-small
- Tokenizer：Kronos-Tokenizer-base
- Context length：512
- 参数量：24.7M
Kronos-base
- Tokenizer：Kronos-Tokenizer-base
- Context length：512
- 参数量：102.3M
Kronos-large
- Tokenizer：Kronos-Tokenizer-base
- Context length：512
- 参数量：499.2M

从这个列表里能看出，Kronos 并不是只考虑“把模型做出来”，也在认真处理“怎么让不同场景的人都能用起来”这件事。轻量版、平衡版、更大容量版本被摆在同一体系里，形成了一个清晰的层次结构。

README 还说明，这些预训练模型可以从 Hugging Face Hub 获取。也就是说，Kronos 的使用方式并不神秘，它不是一个只能停留在论文图里的概念，而是带着可加载、可调用、可运行的形态出现的。

从原始 K 线到预测结果，Kronos 的上手路径很直白

一个项目是否“能看”，和它是否“能用”，往往是两回事。Kronos 在 README 里给出的 Getting Started 部分，相当直接，也相当务实。

安装要求

首先是环境准备。README 写得很清楚：

需要 Python 3.10+
安装依赖使用：

1	pip install -r requirements.txt

没有额外铺陈，也没有复杂前置，入门路径非常明确。

用 `KronosPredictor` 做预测：流程被封装得很完整

README 里提到，使用 Kronos 进行预测时，KronosPredictor 是一个很关键的入口。它负责处理：

数据预处理
归一化
预测
反归一化

也就是说，从原始数据到最终输出，中间那一段通常容易“黏手”的流程，被这个类统一接住了。

第一步：加载 tokenizer 和模型

from model import Kronos, KronosTokenizer, KronosPredictor

# Load from Hugging Face Hub
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

这一步之后，Kronos 从概念变成了一个真正可实例化的对象。

第二步：初始化预测器

1 2	# Initialize the predictor predictor = KronosPredictor(model, tokenizer, max_context=512)

这里 README 还特别强调了一点：Kronos-small 和 Kronos-base 的 max_context 是 512。这代表模型能处理的最大序列长度就是 512。并且为了获得更好的效果，README 建议输入长度尽量接近这个值。

换句话说，Kronos 不只是告诉你“能用”，还把一些与效果相关的使用边界直接写明了。

第三步：准备输入数据

README 对输入要求也写得非常清楚：

df：一个 pandas DataFrame，必须包含 open、high、low、close
volume 和 amount 是可选项
x_timestamp：历史数据时间戳
y_timestamp：未来待预测时间戳

示例代码如下：

import pandas as pd

# Load your data
df = pd.read_csv("./data/XSHG_5min_600977.csv")
df['timestamps'] = pd.to_datetime(df['timestamps'])

# Define context window and prediction length
lookback = 400
pred_len = 120

# Prepare inputs for the predictor
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']

这段代码有一种很“落地”的气质。它没有故意炫技，而是把真实使用时最关键的切片动作展示了出来：历史窗口怎么取，预测长度怎么定，列名怎么组织，时间戳怎么对齐。

第四步：生成预测结果

# Generate predictions
pred_df = predictor.predict(
    df=x_df,
    x_timestamp=x_timestamp,
    y_timestamp=y_timestamp,
    pred_len=pred_len,
    T=1.0,          # Temperature for sampling
    top_p=0.9,      # Nucleus sampling probability
    sample_count=1  # Number of forecast paths to generate and average
)

print("Forecasted Data Head:")
print(pred_df.head())

这里最有意思的地方，在于 README 明确提到了 T、top_p 和 sample_count 这些参数，用来控制采样过程，从而支持概率式预测。这让 Kronos 的使用界面带上了一点语言模型世界的味道：不是只有单一路径，也可以通过采样方式来组织预测输出。

而返回结果则是一个 pandas DataFrame，包含：

open
high
low
close
volume
amount

并且以用户提供的 y_timestamp 作为索引。

这意味着，从调用体验上看，Kronos 尽量把输出维持在数据分析人员熟悉的形式里，而不是把结果困在某种生硬的中间张量结构中。

不只会“一条一条看”，它还支持批量预测

如果只有单序列预测，一个模型还像是在安静处理单个样本；而 README 提到的 predict_batch，则让 Kronos 显得更像一个真正准备进入工作流的工具。

示例代码如下：

# Prepare multiple datasets for batch prediction
df_list = [df1, df2, df3]  # List of DataFrames
x_timestamp_list = [x_ts1, x_ts2, x_ts3]  # List of historical timestamps
y_timestamp_list = [y_ts1, y_ts2, y_ts3]  # List of future timestamps

# Generate batch predictions
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,
    verbose=True
)

# pred_df_list contains prediction results in the same order as input
for i, pred_df in enumerate(pred_df_list):
    print(f"Predictions for series {i}:")
    print(pred_df.head())

README 还专门列出了批量预测的要求：

所有序列必须拥有相同的历史长度
所有序列必须拥有相同的预测长度
每个 DataFrame 必须包含 open、high、low、close
volume 和 amount 可选；缺失时会自动补零

同时，README 说明 predict_batch 会利用 GPU 并行能力 进行高效处理，并为每条序列独立完成归一化和反归一化。

这段说明很重要，因为它把“批量处理”从一个接口名字，落到了一个具体可理解的执行机制上。

预测之外，它还给了示例和可视化

Kronos 没有把用户丢在“你自己试试吧”这一步。README 里明确提到：

有完整、可运行的示例脚本：examples/prediction_example.py
这个脚本包含数据加载、预测和绘图
运行后会生成一张对比真实数据与模型预测结果的图
此外还提供了一个不带 volume 和 amount 数据的预测脚本：examples/prediction_wo_vol_example.py

这一点很能体现项目的气质。它不是只把方法抛出来，而是把“从调用到看图”的路径一起铺平了。对于很多人来说，真正建立直觉的，不是接口说明本身，而是那张模型预测与真实曲线摆在一起的图。

从“用模型”到“调模型”：Kronos 也提供了微调流程

如果说预测部分像是 Kronos 向外伸出的第一只手，那么 finetuning 部分就是它更进一步的表达：不只是给你现成模型，还允许你把模型往自己的数据世界里带。

README 中有一整节专门介绍 Finetuning on Your Own Data，并以 A-Share Market Example 作为演示。

文档把微调流程划分成四个步骤：

Configuration
Data Preparation
Model Finetuning
Backtesting

这个结构非常工整，也非常实战导向。

微调前的准备：依赖、Qlib 与配置文件

README 写明了微调流程的依赖前提：

先确保已经安装 requirements.txt 里的依赖
这个流程依赖 qlib
安装方式如下：

1	pip install pyqlib

此外，README 说明需要准备好自己的 Qlib 数据，并按照官方 Qlib 指南在本地完成数据下载和设置。示例脚本默认使用中国 A 股市场数据。

接着，配置集中放在 finetune/config.py 中。在运行脚本之前，需要根据本地环境修改这些路径：

qlib_data_path
dataset_path
save_path
backtest_result_path
pretrained_tokenizer_path
pretrained_predictor_path

README 还提到，还可以调整：

instrument
train_time_range
epochs
batch_size

以及 use_comet 之类的设置。

这类说明的价值在于，它没有把微调包装成一个“点一下按钮就万事大吉”的神话，而是坦率地告诉你：路径、数据、超参数、实验配置，这些都需要认真处理。

数据预处理：先把原始市场数据整理好

README 给出的第二步，是运行数据预处理脚本：

1	python finetune/qlib_data_preprocess.py

它的作用是：

从 Qlib 目录读取原始市场数据
进行处理
划分训练集、验证集、测试集
把结果保存成 pickle 文件

运行后，会在 dataset_path 指定目录下得到：

train_data.pkl
val_data.pkl
test_data.pkl

整个过程描述得不花哨，但特别清晰，像在告诉使用者：模型训练之前，数据秩序要先建立起来。

两阶段微调：先 tokenizer，再 predictor

README 进一步说明，微调分成两个阶段，并且训练脚本为多 GPU 训练设计，使用 torchrun。

微调 tokenizer

1 2	# Replace NUM_GPUS with the number of GPUs you want to use (e.g., 2) torchrun --standalone --nproc_per_node=NUM_GPUS finetune/train_tokenizer.py

README 对这一步的解释是：让 tokenizer 更适应你所在领域的数据分布。

微调 predictor

1 2	# Replace NUM_GPUS with the number of GPUs you want to use (e.g., 2) torchrun --standalone --nproc_per_node=NUM_GPUS finetune/train_predictor.py

这一步则是对主模型进行面向预测任务的微调。

README 还写明，两者的最佳 checkpoint 会保存到 config.py 中配置好的路径下。

这种“先词表理解方式，再主模型预测能力”的两段式安排，也让 Kronos 的整体体系显得更完整：它不是只关心模型最后一层怎么输出，而是在更前面的表示层面也允许域适配。

微调之后，还要回到市场里验证它

README 的第四步是 Backtesting，运行脚本如下：

1 2	# Specify the GPU for inference python finetune/qlib_test.py --device cuda:0

文档说明，这个脚本会：

加载模型
在测试集上进行推理
生成预测信号
输出详细的性能分析
生成策略累计收益曲线与基准对比图

也就是说，在 Kronos 的 README 中，微调并不是训练结束就画句号，而是会继续走到回测这一步。模型不是停在 loss 曲线上，而是被重新放回评估路径里。

同时，README 还单独给出了一段“From Demo to Production: Important Considerations”，里面强调了几件事：

这里生成的是原始信号
真实量化流程中，这些信号通常还要进入组合构建和风险管理模块
提供的 QlibDataset 只是一个示例
对于不同数据源和格式，需要调整数据加载与预处理逻辑
示例中的 top-K 策略只是一个基础起点

这段话很克制，也很重要。它没有把演示流程夸张成完整生产系统，而是明确指出了它在工作流中的位置。

除了 Qlib 流程，仓库里还有一套面向 CSV 数据的微调说明

在仓库的 finetune_csv/README.md 中，Kronos 还提供了一套针对自定义 CSV 金融数据的微调流程。这一点很值得注意，因为它让项目的输入方式更贴近日常数据处理场景。

这份 README 说明，CSV 文件需要包含这些列：

timestamps
open
high
low
close
volume
amount

其中 volume 和 amount 在不可用时可以为 0。

文档还给出了一份配置片段，例如：

# Data configuration
data:
  data_path: "/path/to/your/data.csv"
  lookback_window: 512
  predict_window: 48
  max_context: 512

...

从这里可以看到，CSV 微调路径同样保留了关键时间窗口配置，包括：

lookback_window
predict_window
max_context

CSV 微调支持顺序训练，也支持分开训练

这份 README 给出了两种训练方式。

方法一：顺序训练

train_sequential.py 会自动处理完整训练流程：

# Complete training (tokenizer + predictor)
python train_sequential.py --config configs/config_ali09988_candle-5min.yaml

# Skip existing models
python train_sequential.py --config configs/config_ali09988_candle-5min.yaml --skip-existing

# Only train tokenizer
python train_sequential.py --config configs/config_ali09988_candle-5min.yaml --skip-basemodel

# Only train predictor
python train_sequential.py --config configs/config_ali09988_candle-5min.yaml --skip-tokenizer

方法二：分组件训练

# Step 1: Train tokenizer
python finetune_tokenizer.py --config configs/config_ali09988_candle-5min.yaml

# Step 2: Train predictor (requires fine-tuned tokenizer)
python finetune_base_model.py --config configs/config_ali09988_candle-5min.yaml

此外，它还提供了 DDP 训练示例：

1
2
3

# Set communication backend (nccl for NVIDIA GPUs, gloo for CPU/mixed)
DIST_BACKEND=nccl \
torchrun --standalone --nproc_per_node=8 train_sequential.py --config configs/config_ali09988_candle-5min.yaml

这一整套设计给人的感觉是：Kronos 并没有把微调写成一条唯一道路，而是留出了不同训练控制粒度。

训练结束之后，会留下些什么

finetune_csv/README.md 还清楚列出了训练产物。

模型检查点

Tokenizer 会保存到：
{base_save_path}/{exp_name}/tokenizer/best_model/
Predictor 会保存到：
{base_save_path}/{exp_name}/basemodel/best_model/

训练日志

控制台实时输出训练进度和指标
日志文件保存到：
{base_save_path}/logs/
最佳模型会根据验证集 loss 进行保存

这种交代方式非常实用，因为它把“训练完之后去哪找结果”这个最容易让人卡住的问题提前回答了。

如果你更喜欢图形界面，Kronos 还有一个 Web UI

对于很多人来说，命令行和脚本当然高效，但图形界面更容易建立第一印象。仓库中的 webui/README.md 展示了一个 Kronos Web UI，它被描述为一个用于 Kronos 金融预测模型的 Web 用户界面，提供直观的图形化操作方式。

这个界面的功能列表相当完整，README 中列出了这些特性：

支持 CSV、Feather 等金融数据格式
提供固定 400+120 数据点时间窗口滑块选择
集成真实 Kronos 模型，并支持多种模型尺寸
可调节温度、nucleus sampling、sample count 等预测质量参数
支持 CPU、CUDA、MPS
提供预测结果与实际数据的详细对比分析
支持专业的 K 线图展示

这几个点连起来看，Web UI 的角色就很明确了：它不是简单把命令行包一层壳，而是把数据选择、模型选择、参数调整、时间窗口控制和结果可视化都组织进了同一个操作界面里。

Web UI 的启动方式也很直接

README 提供了三种启动方式。

方式一：通过 Python 脚本启动

1 2	cd webui python run.py

方式二：通过 Shell 脚本启动

1
2
3

cd webui
chmod +x start.sh
./start.sh

方式三：直接启动 Flask 应用

1 2	cd webui python app.py

启动成功后，访问地址为：

http://localhost:7070

它把上手门槛压得很低：你不一定非得先理解训练流程，也不一定要从脚本接口开始，完全可以先打开界面，看数据、选模型、拖窗口、跑预测。

这个界面怎么用，README 写得像操作说明书一样清楚

Web UI 的使用步骤被拆成了六步：

选择数据文件
选择模型和计算设备
调整预测参数
通过滑块选择 400+120 数据点时间范围
点击按钮开始预测
在图表和表格中查看结果

这种顺序非常自然，像是在带着人一步步走进模型内部，而不是把一堆参数直接摊到面前。

预测质量参数，被摆到了用户眼前

webui/README.md 里专门有一节叫 Prediction Quality Parameters，把三个参数单独说明出来：

Temperature

范围：0.1 - 2.0
作用：控制预测随机性
推荐值：1.2 - 1.5

Nucleus Sampling

范围：0.1 - 1.0
作用：控制预测多样性
推荐值：0.95 - 1.0

Sample Count

范围：1 - 5
作用：生成多个预测样本
推荐值：2 - 3

这部分很有意思。它让原本更偏模型内部的采样机制，变成了界面层面可调的操作项。于是 Kronos 的使用就不再只是“运行一个预测”，而更像是在和模型协商：你想更稳定，还是更发散；你想更单一路径，还是多看几种可能。

支持哪些数据、哪些模型、哪些设备，文档都写明白了

在数据格式上，Web UI README 要求必须包含：

open
high
low
close

可选列包括：

volume
amount
timestamps / timestamp / date

在模型支持上，它列出了：

Kronos-mini：4.1M 参数，轻量、快速预测
Kronos-small：24.7M 参数，平衡性能与速度
Kronos-base：102.3M 参数，高质量预测

在设备支持上，它列出了：

CPU
CUDA
MPS

从文档表达来看，Web UI 并不试图把一切复杂性隐藏掉，而是把用户最关心的选择项——数据、模型、设备——整齐地摆到台前。

它还会主动做对比分析

Web UI README 说明，系统会自动提供预测结果与真实数据之间的对比分析，包括：

价格差异统计
误差分析
预测质量评估

这意味着，这个界面并不满足于只把图画出来，而是还想补上“怎么看”的那一层。图像负责让人直观感受，分析负责让结果更容易被整理和比较。

这一整套东西，是怎么搭起来的

Web UI 文档最后还给出了一份技术架构说明：

后端：Flask + Python
前端：HTML + CSS + JavaScript
图表：Plotly.js
数据处理：Pandas + NumPy
模型：Hugging Face Transformers

这套组合并不花哨，但很稳。它像一个把研究模型送到使用界面的中间层：既保留 Python 生态里的模型和数据处理能力，又通过 Web 技术把交互性建立起来。

一个项目的气质，往往就藏在这些细节里

Kronos 的 README 给人的感觉，不是那种只强调概念高度的项目，也不是只堆参数表和术语的项目。它更像是一个认真把“研究表达”和“可用路径”都铺出来的仓库：

有清晰的模型定位
有明确的模型家族
有从安装到预测的可执行路径
有批量预测能力
有示例脚本和可视化输出
有面向自有数据的微调流程
有回测环节
还有一套图形化 Web UI

这些内容并不喧哗，却很完整。它们共同拼出了一个非常鲜明的形象：Kronos 不是只想让人“知道有这么个模型”，而是希望人真的把它运行起来、调起来、看起来。

结语：让 K 线从图形，变成可以被“阅读”的序列

Kronos 最吸引人的地方，不只是它在做金融预测，也不只是它提供了预训练模型和微调脚本，而是它给 K 线赋予了一种新的理解方式。

在这个项目里，K 线不再只是被动输入模型的数字列，而更像是一种可以被 tokenizer 切分、被 Transformer 建模、被上下文关联、被采样生成的市场表达。

它把金融市场里的那些起伏、影线、实体、量能与时间节奏，重新整理成一套模型可以学习的“语言秩序”。

当一个项目开始认真对待这种秩序时，它就不只是一个工具仓库了。它更像是在试着回答一个很有意思的问题：

如果市场真的有自己的语言，那么我们能不能训练一个模型，去读懂它。