
【导语:Kronos作为首个用于金融烛台图(K线)的开源基础模型,基于全球45多个交易所数据训练,被AAAI 2026收录。其独特架构与功能为金融市场量化分析带来新突破,有望改变行业生态。】

Kronos是专门针对金融市场“语言”——K线序列进行预训练的基础模型家族。与通用时间序列基础模型不同,它聚焦金融数据高噪声特征,采用新颖的两阶段框架。先通过专门分词器将连续的多维K线数据(OHLCV)量化为分层离散标记,再在这些标记上对大型自回归Transformer进行预训练,成为处理各种量化任务的统一模型。

开发团队发布了一系列不同容量的预训练模型,包括Kronos - mini(410万参数)、Kronos - small(2470万参数)、Kronos - base(1.023亿参数)和Kronos - large(4.992亿参数)。除Kronos - large外均开源,可从Hugging Face Hub轻松获取,不同参数模型能满足不同计算和应用需求。
各模型有不同的上下文长度,如Kronos - mini上下文长度为2048,Kronos - small、Kronos - base和Kronos - large为512。使用时,KronosPredictor类能处理数据预处理、归一化、预测和反归一化,方便用户从原始数据得到预测结果。

团队提供了在自有数据集上微调Kronos的完整流程,以A股市场为例,分为配置、数据准备、模型微调、回测四个主要步骤。通过Qlib处理和分割数据,分别微调分词器和预测器,最后进行回测评估模型性能。
不过,此流程只是简化示例,稳健的量化策略还需更复杂技术,如投资组合优化和风险因子中性化,以实现稳定的阿尔法收益。

演示中模型生成的信号是原始预测,在实际量化工作流程中,需输入投资组合优化模型,中和常见风险因子暴露,分离出“纯阿尔法收益”。同时,对于不同数据来源或格式,需调整数据加载和预处理逻辑。
简单的Top - K策略只是起点,生产级策略要包含更复杂的投资组合构建、动态仓位调整和风险管理逻辑。高保真回测需模拟交易成本、滑点和市场影响,以准确估计实际表现。
编辑观点:Kronos的出现为金融量化领域带来新工具,其开源特性和多容量模型库降低了使用门槛。但从演示到生产应用仍面临诸多挑战,需行业共同努力完善。
9200



被折叠的 条评论
为什么被折叠?



