Kronos 股票 K 线预测上手：3 分钟跑通第一个预测

Kronos 股票 K 线预测上手3 分钟跑通第一个预测【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 是一个开源的金融 K 线基础模型喂给它历史 OHLCV K 线它输出未来一段的价格与成交量预测。读完全文你能在自己机器上跑通一次真实预测并看懂输出图的每一条线。 先看效果第一次运行就能拿到 120 根预测 K 线。下方示例用 Kronos-small2470 万参数对一只 A 股 5 分钟序列做预测上图为收盘价下图为成交量蓝线是真实值红线是模型预测。上图把红色预测线和蓝色真实线按 K 线逐根对齐下图同样对比成交量。这就是你跑完示例脚本后看到的成果形态。三分钟跑起来最短路径是两条命令一条装依赖一条跑示例。安装并运行Kronos 要求 Python 3.10 和 torch2.0.0单次预测用 CPU 就够批量预测和微调才需要 GPU。模型权重首次运行会从 Hugging Face 自动下载这一步需要联网。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt然后跑最小示例python examples/prediction_example.py脚本会加载 Kronos-Tokenizer-base 和 Kronos-small取 600977 这只股票 5 分钟 K 线的前 400 根做输入输出接下来 120 根预测最后弹出双联图。注意数据文件 XSHG_5min_600977.csv 仓库未自带运行前先准备一份自己的 CSV。想用浏览器就开 webuicd webui python run.pywebui/ 把同一套预测能力包成了 Flask 页面启动后打开 localhost:7070选 CSV、拖动 400120 的时间窗口点预测即可适合不想碰命令行的人。它是怎么工作的Kronos 分两级。第一级是 tokenizer把每根 K 线的 OHLCV 数值压成分层离散 token类似把一句话翻译成音素串模型就不用直接面对连续、带噪的价格。第二级是预训练在 45 个以上全球交易所数据上的自回归 Transformer逐 token 预测下一个。你调用时KronosPredictor 负责归一化和反归一化你只需面对原始 DataFrame。图中左侧是 tokenizer 把 K 线压缩成 token右侧是自回归 Transformer 逐个生成下一个 token。跟一个真实案例走一遍这个案例输入 600977 的 5 分钟 K 线输出 120 根预测 K 线全流程在 examples/prediction_example.py 脚本里。输入读入 CSV取前 400 根作为历史open/high/low/close/volume/amount 加时间戳接下来 120 根是要预测的时间窗。中间预测器先把价格尺度归一化tokenizer 把 400 根 K 线量化成 token模型自回归地一次采样 120 个 tokenT1.0top_p0.9最后反归一化回真实价格。输出一个 120 行的 DataFrame含预测的 open/high/low/close/volume/amount以你提供的时间戳为索引。仓库 examples/yuce/ 目录里还有一份更完整的日级成果000021 深科技的四联预测图。左上子图蓝线是历史价格、绿线是增强预测红色三角标出最高点 25.88 元蓝色方块是最终预测值 19.31 元右上是成交量预测绿柱为预测量右下是市场因子评分均分 0.59。环境与常见坑硬件单次预测 CPU 可跑批量预测 predict_batch 与微调建议用 CUDA GPU。软件Python 3.10、torch2.0.0其余依赖全在 requirements.txt 里。缺数据文件prediction_example.py 读取 examples/data/XSHG_5min_600977.csv该文件仓库未附带直接运行会报错。解法导出任意股票的 5 分钟 K 线 CSV 放到该路径列名含 open/high/low/close。输入超过 512 根Kronos-small 与 Kronos-base 的 max_context 为 512过长输入会被预测器自动截断但效果最好控制在 512 根以内。解法调小 lookback或换用 2048 上下文的 Kronos-mini。predict_batch 报错批量预测要求所有序列历史长度相同、pred_len 相同且每个 DataFrame 必须有 open/high/low/close 列volume 和 amount 可选缺失会补 0。解法先把所有序列统一切片长度再入批。适合谁、下一步做什么适合三类场景想快速验证 K 线预测效果的个人投资者想在自己的数据上做微调的量化开发者finetune_csv/ 支持自定义 CSV 微调以及想并行筛选一批标的的团队。下一步动作准备一份自己的 K 线 CSV先跑通 examples/prediction_example.py 看输出图习惯图形化操作的话跑 webui/run.py 打开浏览器即可。【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