Kronos 项目评测：首个金融K线开源基础模型最新版

Kronos 是首个专为金融K线设计的开源基础模型，用 Transformer 预测股价量，但实测精度接近抛硬币。

一、这个项目能做什么？

Kronos 自称是「金融市场语言的基础模型」（A Foundation Model for the Language of Financial Markets）。说人话：它把股票、期货的K线（开盘、最高、最低、收盘、成交量，也就是 OHLCV）当成一种「语言」，用 Transformer 去学这套语言的规律，然后预测后面价格或成交量怎么走。

作者 shiyu-coder。从项目目录结构看（examples、model、finetune、finetune_csv、webui、tests），这是个有完整代码、有示例、有微调脚本、有可视化界面的项目，不是只有论文空壳。团队背景：有腾讯新闻报道称其为「清华 KRONOS 开源」，并上线始智AI（wisemodel.cn）开源社区，暗示有清华相关背景；但 GitHub 作者页未明确说明，需谨慎对待。

它的核心卖点是「首个专为金融K线序列设计的开源基础模型」。做的事分两块：第一块是K线分词（Tokenizer），用分层量化把连续的 OHLCV 数据变成离散的 token；第二块是自回归 Transformer，在 token 序列上做预测。支持从5分钟线到日线多个时间粒度，也能批量预测多只股票。

二、Github 项目代码库供那些人使用？

趋势快照显示约 15.7k Star、日增近千（2026年4月热榜记录）。但这个数字来自第三方热榜，GitHub 官方实时数据无法验证，需打折。仓库有 76 个 commit，且存在 Releases 版本发布（2026年6月仍有动态）。

它的目标用户分三类。第一类是量化研究者、金融AI开发者，想拿预训练模型做基线或者微调。第二类是个人投资者，用 WebUI 零代码跑预测看趋势。第三类是高校学生，做时间序列、金融AI相关课题。

使用门槛：Python 3.10+、PyTorch 2.0+ 是基础。想玩转微调得懂深度学习（Transformer、训练流程）。纯看 WebUI 的话，会准备 CSV 数据就行，门槛不高。

三、有哪些有亮点的特色功能和服务？

亮点1：金融K线专用分词。它不像通用时序模型直接塞数字，而是用分层量化（粗粒度抓趋势、细粒度抓波动）把 OHLCV 变成 token，这点在设计上确实比直接回归更贴合金融数据的高噪声特性。

亮点2：三个档位模型。mini（4.1M 参数，上下文 2048，适合边缘、实时）、small（24.7M，上下文 512，平衡）、base（102.3M，上下文 512，高精度）。最小的能在消费级显卡跑，这点对普通人友好。

亮点3：零代码 WebUI。cd webui 起个服务，浏览器开 localhost:7070，传个 CSV 就能看预测，还能选 CPU/CUDA/MPS、调参数、看结果对比图。非程序员也能用。

亮点4：完整微调框架。finetune 和 finetune_csv 两套，支持 CSV 数据联合训练分词器和预测器，还能分布式训练。

亮点5：批量并行预测。predict_batch 能同时喂多只股票，官方宣称千只股票分钟级实时分析。

四、如何使用工具和服务？

1、有没有演示网址？

公共演示站未搜到稳定可用的 URL。项目自带本地 WebUI（localhost:7070）。始智AI wisemodel.cn 社区有「前去体验」入口，可能提供在线试用，但未能确认具体地址，不瞎写。

2、安装部署对环境有哪些要求？

• 系统：Linux、Windows、Mac 都行，Python 3.10+
• 依赖：PyTorch 2.0+，CUDA 11.7+（可选，有 GPU 更快）
• 显存：GPU 版至少 2GB（mini），base 想跑顺建议 8GB 以上
• 存储：模型加缓存大概要几十 GB 空间（base 最大）
• 也能纯 CPU 跑，就是慢

3、如何安装部署？

步骤很简单。第一步，拉代码：git clone https://github.com/shiyu-coder/Kronos 然后 cd Kronos。第二步，装依赖：pip install -r requirements.txt。第三步，起 WebUI：cd webui 然后 python app.py（或 run.py），浏览器开 http://localhost:7070。第四步，选模型，WebUI 里直接选 mini、small、base，权重从 HuggingFace Hub 或 wisemodel.cn 自动下载（NeoQuasar/Kronos-* 系列）。

坑提醒：requirements.txt 没列具体版本，PyTorch 和 CUDA 版本对不上会报错，消费级卡建议 CUDA 11.8。WebUI 依赖和主项目可能分开，注意 webui 目录下还有个 requirements.txt。

4、使用的大模型是什么？

Kronos 本身就是模型，不是调别人家的 API。底座是因果 Transformer（自回归），配一个专有的K线 Tokenizer。三个尺寸都是自研架构，参数从 4.1M 到 102.3M。Tokenizer 也单独开源（NeoQuasar/Kronos-Tokenizer-base）。它没有用 GPT、LLaMA 那种通用大模型当底座，是垂直领域自训的。

5、举例说明基本使用方法

代码方式，加载就能预测：

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)
predictor.predict(your_dataframe)  # 你的 OHLCV 数据

WebUI 方式更简单：打开页面，左侧选个示例 CSV（项目预置了），点「加载数据」，选模型和设备，点预测，右边出对比图。不用写一行代码。

6、最近升级或者增加了哪些新的功能？

没找到官方 changelog。从目录结构和教程看，webui、finetune_csv（CSV 微调）、多交易所数据支持是既有能力。仓库有 Releases 版本发布（2026年6月仍有动态），但具体版本改动未公开确认。资料没提到的新功能，不瞎编。

7、它还有哪些资源和工具？

examples 目录有调用示例，figures 有架构图和效果对比图，tests 有测试代码。预训练权重在 HuggingFace Hub 和始智AI wisemodel.cn 两个平台均有托管（NeoQuasar 命名空间，含 mini、small、base 与 Tokenizer）。社区里一堆 CSDN 实战教程，但质量参差，很多是 AI 生成的软文，参考价值有限。微调支持 CSV 和常规两种数据入口。

五、需要哪些资源支持？

纯本地项目，不依赖云主机就能跑。要的是：一台有 Python 环境的机器（本地电脑也行）、PyTorch、可选的 NVIDIA GPU（CUDA）、HuggingFace Hub 或 wisemodel.cn 的访问权限（下载模型权重，国内可走 wisemodel.cn 镜像）。没有用到数据库，搜索里也没看到官方 Dockerfile，更没有 Cloudflare、Vercel 部署的说明。它就是个本地 Python 包加 WebUI，不是 SaaS。你想部署成服务得自己用 gunicorn 之类的包一层。

六、网友提出了哪些常见问题

问题1：日线预测准确率只有 55%，是不是要用分钟级数据？答：有用户在 issue 里说 30 天日线准确率 55%，基本等于抛硬币。作者、社区没给出明确提升方案，分钟级数据可能改善但没保证。

问题2：demo 能不能换成 A 股指数？答：用户在问，但没看到官方回应或实现，目前示例数据不确定包含 A 股。

问题3：微调要什么格式的数据？答：CSV 需含 timestamps、open、high、low、close 列，YAML 配训练参数，finetune_csv 有完整流程。

问题4：显存不够怎么办？答：用 mini 版（4.1M，2GB 显存），或纯 CPU 跑，或减小上下文长度。

问题5：模型权重在哪下？答：HuggingFace Hub 或 wisemodel.cn 的 NeoQuasar/Kronos-* 系列，from_pretrained 自动拉。

七、用户评价怎么样？

正面：

1. 「首个开源的金融K线基础模型」这个定位很多人认，填补了垂类空白。
2. 轻量，消费级显卡能跑，门槛比动辄上 B 参数的大模型低太多。
3. WebUI 零代码，非程序员也能上手看预测，友好。
4. 社区热度高，上过 GitHub 热榜，教程和讨论多，遇到问题容易搜到。

负面：

1. 实测预测精度遭质疑。最直接的证据是 issue #221：用户用 30 天日线跑出 55% 准确率，自己都说「和抛硬币没啥区别」。金融预测本来难，但这个信号说明拿来直接指导交易不靠谱。

八、与同类型项目对比有哪些亮点和不足？

对比1：Chronos（Amazon Science）。同是「时间序列基础模型」，名字还撞（Chronos、Kronos）。亮点：Kronos 专为金融 OHLCV 设计，分词更贴合K线；Chronos 是通用时序，金融场景要自己适配。不足：Chronos 背后是 Amazon、训练数据 27B 时间点级，规模和背书远强于个人项目 Kronos；而且名字太像，容易被当成同一个或山寨。

对比2：FinGPT（AI4Finance）。亮点：Kronos 是纯时序模型，预测价格是它的主业，轻量直接；FinGPT 是金融 LLM，走「文本加数据」推理路线，更偏分析解读。不足：FinGPT 生态和论文支撑更完整，社区更大；Kronos 在「用 LLM 理解金融」这波叙事里存在感弱。

对比3：Moirai（Salesforce）。亮点：Kronos 聚焦单一金融域、模型小、好部署；Moirai 是 multivariate 通用时序 FM，什么数据都吃但金融针对性弱。不足：Moirai 有 Salesforce 背书、统一训练框架、多变量能力，工程化和泛化性比 Kronos 强；Kronos 目前更像一个「有想法的垂直小模型」，离工业级还远。

探子结论

这个项目的价值在「思路」和「白嫖门槛低」，不在「预测准」。真要拿来交易，issue 里的 55% 准确率就是一盆冷水。当学习金融AI、做课题基线、或者玩零代码预测工具，它合适；当印钞机，别想了。

评测说明：GitHub 本体访问受限，本文数据来自搜索引擎快照、CSDN 实战教程与 GitHub issue 公开摘要。Star 数、License、公开 demo 等未做官方实时验证，引用时请自行核对。