Kronos: Open-Source-Basismodell für Kerzencharts

Hintergrund

Was ist Kronos, und warum ist das Modell für die quantitative Forschung relevant? Kronos ist eine Open-Source-Familie von Basismodellen, die auf Kerzenchart-Sequenzen (K-Linien) der Finanzmärkte vortrainiert wurde. Laut Projekt stammen die Trainingsdaten von mehr als 45 Börsen weltweit. Das Modell ist für Marktdaten gebaut, nicht für beliebige Zeitreihen.

Quant-Forscher kennen das Problem. Allgemeine Zeitreihen-Basismodelle gibt es immer mehr, doch bei Aktien und Kryptowährungen enttäuschen sie oft. Finanzdaten rauschen stark, und Preis und Handelsvolumen hängen verwoben zusammen. Genau diese Lücke will Kronos schließen. Das Projekt beschreibt sich als erstes Open-Source-Basismodell für K-Linien und behandelt den Markt als Gegenstand mit eigener Sprache. Eröffnungs-, Höchst-, Tiefst- und Schlusskurs sowie das Volumen (OHLCV) sind die Buchstaben dieser Sprache, eine K-Linien-Sequenz ist der Text.

Der Ansatz übernimmt das Rezept großer Sprachmodelle, wechselt aber den Gegenstand. Daraus folgt eine direkte Frage: Kann ein allgemeines Modell verrauschte Finanzdaten überhaupt verarbeiten? Kronos antwortet, dass dafür eine eigens entworfene Modellfamilie nötig ist. Das Paper liegt auf arXiv und wurde für AAAI 2026 angenommen. Das GitHub-Repository hat mehr als 40.000 Sterne gesammelt, was auf großes Interesse der Community hinweist.

Tiefenanalyse

Kronos arbeitet in zwei Stufen. In der ersten quantisiert ein eigener Tokenizer die kontinuierlichen, mehrdimensionalen OHLCV-Daten zu hierarchischen diskreten Tokens. Dieser Schritt macht aus einem numerischen Regressionsproblem ein Symbolproblem, ähnlich der Sprachmodellierung. Die Hierarchie erlaubt es, eine einzelne Kerze in Informationen verschiedener Granularität zu zerlegen. In der zweiten Stufe wird ein großer autoregressiver Transformer (decoder-only) auf diesen Tokens vortrainiert. Er lernt, wie eine Sequenz Schritt für Schritt weiterläuft. Das Projekt betont, dass so ein einheitliches Modell für viele quantitative Aufgaben entsteht. Ein Team muss also nicht für jede Aufgabe eine eigene Architektur von Grund auf trainieren. Gegenüber einer Regression auf Rohwerten folgt die Kombination aus Diskretisierung und Autoregression der etablierten Pipeline von Sprachmodellen und kann vorhandene Trainingserfahrung nutzen.

Die Modellreihe umfasst vier Größen. Kronos-mini hat 4,1 Mio. Parameter und eine Kontextlänge von 2048, es nutzt Kronos-Tokenizer-2k. Kronos-small hat 24,7 Mio., Kronos-base 102,3 Mio. und Kronos-large 499,2 Mio. Parameter. Diese drei verwenden Kronos-Tokenizer-base, jeweils mit Kontextlänge 512. Eine Einschränkung ist wichtig: Das Large-Modell ist nicht quelloffen. Die übrigen drei Modelle liegen auf dem Hugging Face Hub. Der Einstieg ist niedrig. Nötig sind Python 3.10 oder neuer, die Abhängigkeiten installiert man per pip aus der Datei requirements.txt. Die Klasse KronosPredictor bündelt Vorverarbeitung, Normalisierung, Prognose und Rücknormalisierung, also Schritte, die von Hand leicht fehlerhaft werden. Mit Rohdaten in der Hand genügen wenige Zeilen Code für eine Prognose. Ein Detail verdient Aufmerksamkeit. Bei Kronos-small und Kronos-base beträgt max_context 512. Das ist die längste Sequenz, die das Modell verarbeitet, längere Eingaben müssen Nutzer selbst kürzen. Eine Live-Demo zeigt Prognosen für BTC/USDT über die nächsten 24 Stunden. Am 17. August 2025 veröffentlichten die Autoren außerdem Fine-Tuning-Skripte. Das zählt in der Praxis, denn Märkte und Zeitrahmen unterscheiden sich stark, und vortrainierte Gewichte passen nicht automatisch überall.

Branchenwirkung

Für Entwickler und Engineering-Teams rückt Kronos das Finanz-Basismodell vom Konzept zu etwas, das man herunterladen, feinabstimmen und reproduzieren kann. Arbeiten dieser Art blieben oft in Papers oder geschlossenen Systemen. Nun können Forscher die Gewichte nehmen und Vergleichsexperimente fahren. Sie können auch prüfen, ob die diskrete Tokenisierung wirklich zu Marktdaten passt.

Vor allem kleinere und mittlere Teams profitieren von den offenen Modellen. Die Größen von 4,1 Mio. bis 102,3 Mio. Parametern machen Experimente mit begrenzter Rechenleistung möglich. Wer eigene Marktdaten besitzt, kann das Modell mit den Skripten auf eigene Werte und Zeitrahmen anpassen. Die README liegt zudem auf Deutsch, Spanisch, Französisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Chinesisch vor, was Teams in vielen Regionen den Zugang erleichtert.

Die Risiken verdienen einen nüchternen Blick. Ein Basismodell, das auf historischen Daten gut abschneidet, ist keine Gelddruckmaschine. Marktstrukturen ändern sich, und Handelskosten, Slippage und Überanpassung können Vorteile auf dem Papier aufzehren. Sicherer ist es, Kronos als Forschungswerkzeug und Quelle für Merkmale zu sehen, nicht als fertiges Handelssignal. Zwei praktische Grenzen kommen hinzu: Das größte Modell ist nicht offen, und small und base sind auf einen Kontext von 512 begrenzt.

Ausblick

Drei Fragen lohnen die Beobachtung. Erstens: Wie gut generalisieren feinabgestimmte Kronos-Modelle über verschiedene Märkte hinweg? Das Projekt liefert Werkzeuge zum Fine-Tuning, doch die Quelle nennt keine marktübergreifenden Ergebnisse, die Frage bleibt offen.

Zweitens: Findet die Community einen gemeinsamen Weg zur Bewertung solcher Modelle? Offene Gewichte machen Vergleiche möglich. Ohne gemeinsame Benchmarks lassen sich Aussagen verschiedener Teams jedoch schwer nebeneinanderlegen. Die Annahme bei AAAI 2026 gibt dem Projekt akademisches Gewicht, unabhängige Replikationen würden es weiter stärken.

Drittens: Trägt die Idee, K-Linien als Sprache zu behandeln, auch bei weiteren Finanzaufgaben? Das Projekt versteht Kronos bereits als ein Modell für viele quantitative Aufgaben. Teams, die es erproben wollen, starten am besten mit den offenen Gewichten small oder base, halten die Eingaben innerhalb des 512er-Kontexts und stimmen auf eigenen Daten fein ab, bevor sie Schlüsse ziehen.