Kronos: 금융 K라인용 오픈소스 파운데이션 모델
Kronos는 금융 시장의 K라인(캔들) 시퀀스로 사전 학습한 오픈소스 파운데이션 모델 계열입니다. 프로젝트 설명에 따르면 학습 데이터는 전 세계 45개 이상 거래소에서 수집됐습니다. 2단계 구조를 사용하며, 전용 토크나이저가 OHLCV 다차원 연속 데이터를 계층적 이산 토큰으로 양자화한 뒤, 대규모 자기회귀 Transformer를 그 토큰 위에서 사전 학습해 다양한 퀀트 작업을 위한 통합 모델이 됩니다. 노이즈가 큰 금융 데이터에 맞춰 설계되어 범용 시계열 파운데이션 모델과 구분됩니다. 파라미터 4.1M부터 499.2M까지 여러 크기를 제공하고, 대부분의 가중치는 Hugging Face에서 받을 수 있으며, KronosPredictor 예측 인터페이스, 파인튜닝 스크립트, BTC/USDT 온라인 데모도 포함됩니다. 논문은 AAAI 2026에 채택됐습니다. 퀀트 연구자, 금융 데이터 엔지니어, 자체 시세 데이터로 파인튜닝을 실험하려는 팀에 적합합니다.
배경
Kronos는 무엇이며 퀀트 연구에서 왜 중요할까요? Kronos는 금융 시장의 K라인(캔들) 시퀀스로 사전 학습한 오픈소스 파운데이션 모델 계열입니다. 프로젝트 설명에 따르면 학습 데이터는 전 세계 45개 이상 거래소에서 수집됐습니다. 범용 시계열이 아니라 시세 데이터에 맞춰 만든 모델입니다.
퀀트 연구자에게 익숙한 문제가 있습니다. 범용 시계열 파운데이션 모델은 계속 늘어나지만, 주식이나 암호화폐 시세에서는 기대에 못 미치는 경우가 많습니다. 금융 데이터는 노이즈가 매우 크고, 가격과 거래량의 관계도 서로 얽혀 있기 때문입니다. Kronos는 이 빈틈을 겨냥합니다. 시가, 고가, 저가, 종가, 거래량(OHLCV)을 언어의 글자로, K라인 시퀀스를 문장으로 보는 접근입니다. 논문은 arXiv에 공개됐고 AAAI 2026에 채택됐으며, GitHub 별 수는 4만 개를 넘었습니다.
심층 분석
Kronos는 두 단계로 동작합니다. 첫 단계에서 전용 토크나이저가 연속적인 다차원 OHLCV 데이터를 계층적 이산 토큰으로 양자화합니다. 숫자 회귀 문제를 언어 모델링과 비슷한 기호 모델링 문제로 바꾸는 과정입니다. 계층 구조 덕분에 K라인 하나를 서로 다른 세밀도의 정보로 나눠 표현할 수 있습니다. 두 번째 단계에서는 대규모 decoder-only 자기회귀 Transformer가 이 토큰 위에서 사전 학습을 거쳐, 시퀀스가 한 걸음씩 어떻게 이어지는지 배웁니다. 프로젝트는 그 결과가 여러 퀀트 작업을 맡는 통합 모델이라고 강조합니다. 작업마다 구조를 새로 학습할 필요가 없다는 뜻입니다. 모델 규격은 네 가지입니다. Kronos-mini는 파라미터 4.1M, 컨텍스트 길이 2048이며 Kronos-Tokenizer-2k를 씁니다. Kronos-small은 24.7M, Kronos-base는 102.3M, Kronos-large는 499.2M이고, 이 셋은 Kronos-Tokenizer-base와 512 컨텍스트를 씁니다. 다만 large는 공개되지 않았고 나머지 셋은 Hugging Face Hub에서 받을 수 있습니다.
사용 문턱은 낮습니다. Python 3.10 이상이 필요하고 requirements.txt로 의존성을 설치합니다. KronosPredictor 클래스가 전처리, 정규화, 예측, 역정규화를 한꺼번에 처리하므로 원시 시세만 있으면 몇 줄로 예측을 얻습니다. 단, small과 base의 max_context는 512이므로 더 긴 입력은 직접 잘라야 합니다. BTC/USDT의 향후 24시간 예측을 보여 주는 온라인 데모가 있고, 2025년 8월 17일에는 파인튜닝 스크립트가 공개됐습니다.
산업 영향
개발자와 엔지니어링 팀에게 Kronos는 금융 파운데이션 모델을 개념에서 내려받고, 파인튜닝하고, 재현할 수 있는 단계로 옮겨 놓았다는 의미가 있습니다. 이런 연구는 논문이나 비공개 시스템에 머무는 일이 많았습니다. 이제는 가중치를 받아 비교 실험을 하고, 이산 토큰화가 시세 데이터에 정말 맞는지 직접 검증할 수 있습니다.
공개된 4.1M에서 102.3M 사이의 작은 모델은 제한된 연산 자원으로 실험하려는 팀에 특히 쓸모가 있습니다. 자체 시세 데이터를 가진 팀은 파인튜닝 스크립트로 자기 자산과 주기에 모델을 맞출 수 있습니다. README가 독일어, 스페인어, 프랑스어, 일본어, 한국어, 포르투갈어, 러시아어, 중국어로도 제공되어 지역별 진입 장벽도 낮습니다.
위험은 차분히 봐야 합니다. 과거 데이터에서 성적이 좋다고 안정적인 수익이 보장되지는 않습니다. 시장 구조는 바뀌고, 거래 비용과 슬리피지, 과적합이 종이 위의 우위를 지울 수 있습니다. Kronos는 즉시 쓸 매매 신호가 아니라 연구 도구이자 특징 추출의 원천으로 보는 편이 안전합니다.
전망
지켜볼 질문은 세 가지입니다. 첫째, 파인튜닝한 Kronos가 서로 다른 시장에서 얼마나 일반화되는지입니다. 도구는 제공되지만 시장 간 결과는 출처 자료에 없어 아직 열린 문제입니다.
둘째, 커뮤니티가 공통 평가 방식을 만들 수 있는지입니다. 가중치가 공개되어 비교는 가능해졌지만, 공통 벤치마크가 없으면 팀마다 내놓는 주장을 나란히 놓기 어렵습니다. 독립적인 재현 결과가 쌓이면 AAAI 2026 채택의 학술적 무게도 더 커질 것입니다.
셋째, K라인을 언어로 보는 발상이 더 많은 금융 과제로 확장되는지입니다. 시험해 보려는 팀은 공개된 small이나 base 가중치로 시작해 입력을 512 컨텍스트 안에 맞추고, 자체 데이터로 파인튜닝한 뒤에 결론을 내리는 것이 좋습니다.
Sources
FAQ
Kronos는 무엇인가요?
Kronos는 금융 K라인(캔들) 시퀀스로 사전 학습한 오픈소스 파운데이션 모델 계열입니다. 프로젝트 설명에 따르면 학습 데이터는 전 세계 45개 이상 거래소에서 왔습니다. 전용 토크나이저가 OHLCV를 계층적 이산 토큰으로 바꾸고, 자기회귀 Transformer가 그 위에서 사전 학습합니다.
Kronos는 퀀트 연구에 왜 중요한가요?
Kronos가 중요한 이유는 금융 데이터의 노이즈가 커서 범용 시계열 파운데이션 모델이 주식과 암호화폐에서 자주 기대에 못 미치기 때문입니다. 가중치가 공개되어 연구자는 비교 실험을 할 수 있고, 소규모 팀도 4.1M~102.3M 모델을 제한된 연산으로 시험할 수 있습니다.
Kronos를 쓰기 전에 무엇을 주의하고 다음에 무엇을 해야 하나요?
Kronos를 쓸 때는 한계를 살펴야 합니다. 가장 큰 Kronos-large(499.2M)는 오픈소스가 아니며, Kronos-small과 Kronos-base의 컨텍스트 길이는 512입니다. 다음 단계로 자체 시세 데이터로 파인튜닝하고 일반화를 점검하세요. 과거 성과가 수익을 보장하지는 않습니다.