Kronos：针对金融K线图数据训练的开源基础模型最新版

图：Kronos 的 GitHub 仓库首页，自我定位为首个开源金融 K 线基础模型（2026-11 截图）

定位与基本信息

Kronos 是一个专为金融 K 线数据训练的开源基础模型，代码仓库为 GitHub 上的 shiyu-coder/Kronos，MIT 许可证，主体语言 Python。它和通用大语言模型的区别在于「读」的对象不同：不读文字，读开盘、最高、最低、收盘和成交量组成的 K 线序列，把市场行情当成一门语言来建模。仓库创建于 2025 年 7 月，截至 2026-11 快照已有约 4.76 万 Star、7,874 个 Fork，是这一年金融 AI 开源项目里热度最高的一个。

配套资源都在明处：论文在 arXiv（编号 2508.02739，2025 年 8 月发布），权重托管在 Hugging Face 的 NeoQuasar 名下，在线演示站 shiyu-coder.github.io/Kronos-demo 展示它对 BTC/USDT 未来 24 小时的预测曲线。站内旧稿写它当时只有 77 个 Star，那是收录初期的数字，早已过时。

仓库主页同时挂着提交活跃度与 Star 趋势徽章，热度不是一波流：2025 年 7 月开源后，它的 Star 增长持续了数月，在金融类开源项目中属于少见的长尾。

平台背景

Kronos 出自清华系的研究团队，站内旧稿列出的论文作者包括 Yu Shi、Zongliang Fu、Shuo Chen 等人，通讯作者为 Changshui Zhang 与 Jian Li（以论文与仓库信息为准）。这个项目的学术路径走得很完整：2025 年 7 月开源，8 月放出论文和微调脚本，2025 年 11 月 10 日仓库公告已被 AAAI 2026 录用——对一个开源模型来说，顶会录用意味着它的方法经过了同行评审，不是只有代码没有论证。

它要解决的问题是：金融时间序列长期没有一个像样的「预训练底座」。过去做价格预测、波动率预测，每个任务都要从零训一个小模型，数据和算力都浪费。Kronos 的思路是先在一个跨 45+ 全球交易所的大规模 K 线语料上预训练出通用表征，再让下游任务直接调用或微调，这和 NLP 里预训练语言模型的做法是同一条路线。

核心服务与功能

• 两段式架构：先用一个专门的分词器（Tokenizer）把连续的 OHLCV 数值量化成多层级的离散 token，再用一个解码器式（decoder-only）自回归 Transformer 在这些 token 上预训练。K 线因此被「翻译」成了模型能续写的序列。
• 统一多任务：同一个模型可直接用于价格走势预测、波动率预测和合成行情数据生成，不必为每个任务单独搭模型；零样本（不微调）即可调用。
• 模型矩阵：已开源三个规格——Kronos-mini（410 万参数，上文长度 2048）、Kronos-small（2,470 万参数）、Kronos-base（1.023 亿参数），后两者上下文长度 512；最大的 Kronos-large（4.992 亿参数）未开源（据仓库 Model Zoo，2026-11 快照）。
• 微调脚本：2025 年 8 月起官方提供微调脚本与基于 Qlib 的数据处理示例，可以把模型适配到自己的品种和周期上。
• 在线演示：演示站用 BTC/USDT 实时数据滚动生成未来 24 小时预测，不用装任何东西就能看它输出的形态。

图：Kronos 官方在线演示页，展示 BTC/USDT 未来 24 小时的预测曲线（2026-11 截图）

一个常被问的问题是：它和 ChatGPT 这类模型是什么关系？答案是只有架构上的亲缘——同为解码器式 Transformer，但 Kronos 的词表里没有一个汉字或英文单词，全部是 K 线形态的离散编码；它不会聊天、不会写研报，只会顺着给定的行情往下「续写」价格路径。把它放进系统时，正确的预期是把它当一个可微调的行情特征提取器和预测头，而不是一个会思考的交易员。

使用方式

环境要求 Python 3.10 以上。标准路径是：克隆仓库后 pip install -r requirements.txt 装依赖，从 Hugging Face 加载分词器与模型权重（例如 NeoQuasar/Kronos-small 配 NeoQuasar/Kronos-Tokenizer-base），用官方 KronosPredictor 类喂入一段历史 K 线（DataFrame 格式），即可输出未来若干根 K 线的预测，类内部处理归一化与反归一化。注意 small 与 base 的最大上下文是 512 根 K 线，输入更长会被自动截断，喂数前先确认自己的周期和回看长度。只是做推理的话消费级 GPU 就能跑 mini 和 small；真要微调，建议按仓库示例准备 Qlib 格式的数据和一块像样的显卡。

关于复现成本，再交代一句：官方示例以 BTC 等加密货币和主流股指的公开数据为主，数据获取本身不难；真正花时间的是把自家数据对齐到它的分词口径（周期、复权、缺失值处理），这一步做错，后面所有结果都不可信。

适用人群

• 量化研究者：想把预训练表征接进自己的预测、风控或数据生成管线，有现成底座可改；
• 金融 AI 方向的学生与研究者：论文、代码、权重、演示四件套齐全，是难得的完整复现对象；
• 独立开发者：想给行情工具加一个预测模块，又不想自己从零预训练；
• 不适合：想要「打开就赚钱」的信号软件的人——它给的是模型，不是策略，更不是收益承诺；没有 Python 基础的人上手成本也偏高。

免费与付费对照

Kronos 本体完全免费开源：代码 MIT 许可证，mini、small、base 三个规格的权重在 Hugging Face 免费下载，演示站免费访问，没有官方付费版或订阅（2026-11 快照）。真正的成本在使用者一侧：跑推理和微调的算力、行情数据的获取与清洗、以及把预测接进真实交易系统前的回测与验证工作。large 版本未开源，官方也未公布其获取方式（未公开/以仓库为准）。

图：Kronos 权重托管在 Hugging Face 的 NeoQuasar 名下，含分词器与三个已开源规格（2026-11 截图）

优缺点

优点：

• 开源完整度罕见：代码、权重、论文、演示、微调脚本一次给齐，且通过 AAAI 2026 同行评审；
• 预训练语料覆盖 45+ 交易所，跨市场、跨品种的表征比单市场小模型更有迁移价值；
• 参数量克制，small 只有 2,470 万参数，普通 GPU 就能推理和做实验；
• 社区热度与迭代都在：2025 年下半年持续更新，仓库议题区活跃（2026-11 快照 298 个开放议题）。

缺点：

• 上下文只有 512 根 K 线（mini 除外），长周期趋势信息装不进去；
• 最强的 large 版本未开源，公开权重与论文最优成绩之间要留个问号；
• 输出是概率性的行情续写，不确定性大，不同随机种子结果会变，不能当点位信号直接下单；
• 工程化程度仍属研究代码：数据格式、归一化口径需要使用者自己对齐，接生产系统要另做封装与监控。

同类竞品对比

三者不在同一层：OpenBB 管数据，Kronos 管模型，TradingAgents 管决策流程。实际做量化系统时常见的组合恰恰是把它们串起来——OpenBB 供数、Kronos 出预测、智能体框架做综合判断。

注意事项与风险

• 预测不等于盈利：模型在论文基准上的领先是统计口径的结果，不代表实盘收益；K 线续写本质上是概率采样，用它下单前必须自己做严格的样本外回测。
• 数据口径风险：不同交易所、不同复权方式喂出的结果差别很大，训练语料的分布和你交易品种的分布不一致时，表现会明显打折。
• 过拟合与幸存者偏差：拿历史数据微调很容易调出「只对过去有效」的参数，尤其不要用演示站的一条曲线判断模型好坏。
• 版本与许可证：商用前复核仓库 LICENSE（MIT）与权重的单独说明；仓库迭代快，API 与示例代码可能随版本变化，部署时锁定版本。
• 本文为开源项目介绍，不构成任何投资建议。