Kronos：把K线当作语言来训练的开源金融基础模型

做量化研究的人都熟悉一个尴尬的局面：时间序列预测的通用模型越来越多，可一旦面对股票、加密货币这类行情数据，效果往往不尽如人意。原因在于金融数据噪声极高，价格、成交量之间的关系又交织在一起。Kronos 的定位正是填补这个空缺。它的项目介绍直言，这是首个面向金融 K 线（也就是蜡烛图序列）的开源基础模型，预训练数据来自全球 45 家以上的交易所。在生态位置上，它不是又一个通用的时间序列基础模型，而是把金融市场当作一种有自己"语言"的对象来建模。K 线序列就是这门语言的文字，开盘价、最高价、最低价、收盘价和成交量就是它的字母。这种思路借用了大语言模型的范式，但把对象换成了行情，因此也直接面对一个问题：通用模型是否真的能处理高噪声的金融数据。Kronos 给出的回答是，需要一个专门为此设计的模型家族。

在核心能力上，Kronos 的设计可以拆成两步来理解。第一步是一个专用 tokenizer，它负责把连续的、多维的 OHLCV 数据量化为分层的离散 token。这一步很关键，因为它把原本连续的数值问题转换成了类似语言建模的离散符号问题，同时"分层"的结构让一根 K 线可以被拆成不同粒度的信息。第二步是一个大型的、decoder-only 的自回归 Transformer，在这些 token 上做预训练，学习序列如何一步一步往下延续。项目强调，这样得到的模型可以作为统一模型服务于多种量化任务，而不必为每个任务从头训练一套结构。与直接在原始数值上回归的方案相比，离散化加自回归的路线更接近成熟的语言模型流程，也更容易借助现有的训练经验。从模型规格看，项目给出了四档：Kronos-mini 参数量为 4.1M，上下文长度 2048，使用 Kronos-Tokenizer-2k；Kronos-small 为 24.7M，Kronos-base 为 102.3M，Kronos-large 为 499.2M，这三档使用 Kronos-Tokenizer-base，上下文长度均为 512。需要注意，large 版本目前并未开源，其余三档可以在 Hugging Face Hub 上获取。

从上手路径看，Kronos 的门槛并不高。环境要求是 Python 3.10 以上，用 pip 按 requirements.txt 安装依赖即可。预测工作由 KronosPredictor 类承担，它把数据预处理、归一化、预测和反归一化这几个容易出错的环节包在一起，使用者拿到原始行情数据后，几行代码就能得到预测结果。有一个细节值得提前留意：Kronos-small 和 Kronos-base 的 max_context 是 512，这是模型能处理的最大序列长度，输入太长需要自己裁剪，才能保证效果。如果想先看看效果，项目搭了一个在线演示页面，展示 BTC/USDT 交易对未来 24 小时的预测。更进一步，作者在 2025 年 8 月 17 日发布了微调脚本，让团队可以把 Kronos 适配到自己的任务和数据上。这一点对实际使用很重要，因为不同市场、不同周期的行情差异很大，直接套用预训练权重未必合适。项目的 README 还提供了德语、西班牙语、法语、日语、韩语、葡萄牙语、俄语和中文等多语言版本，学术上也有支撑：论文已发布在 arXiv，并被 AAAI 2026 接收。

GitHub 上超过四万的 star 数，也说明社区关注度很高。对开发者社区和工程团队来说，Kronos 的意义在于把"金融基础模型"从概念推向了可下载、可微调、可复现的开源实践。过去这类工作多半停留在论文或闭源系统里，现在研究者可以直接拿权重做对比实验，也可以检验离散 token 化是否真的适合行情数据。对中小团队而言，4.1M 到 102.3M 的几档开源模型，让在有限算力上做实验成为可能。当然，风险也需要冷静看待。基础模型在历史数据上表现良好，并不等于能稳定赚钱。市场结构会变化，交易成本、滑点和过拟合都可能吞掉纸面上的优势。因此，更稳妥的态度是把它当作研究工具和特征来源，而不是现成的交易信号。另外，最大的 large 模型并未开源，上下文长度对 small 和 base 也只有 512，这些都是实际使用中的约束。未来值得观察的方向有三个：微调后在不同市场上的泛化表现，社区能否围绕它形成统一的评测方式，以及这种"K 线即语言"的思路能否延伸到更多金融任务上。