手里的K线数据能不能跑通预测？Kronos金融时序预测模型实操

手里的K线数据能不能跑通预测Kronos金融时序预测模型实操【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 是首个面向金融K线的开源基础模型预训练数据覆盖 45 家以上全球交易所。它接收一段 OHLCV 的 K 线序列输出未来一段时间的收盘价与成交量预测你拿它做 K 线预测还能接回测看预测信号在模拟交易里能不能跑赢基准。本文按先看到产出、再跑通、再验证的顺序带你走一遍。 先看清最终产出两张图决定它值不值得做在动手之前先看两样东西。第一张是单标的预测对比图上半部分是收盘价、下半部分是成交量蓝色为真实值、红色为模型预测值判断标准不复杂预测段红线的起伏节奏是否跟上了蓝线的趋势。这个例子里红线抓住了后段的拉升方向虽然幅度和拐点位置有偏差——对 K 线预测来说能跟住趋势方向已经是有参考价值的信号。第二张是回测产出上半部分是含成本的累计收益曲线对照 CSI300 基准下半部分是超额收益曲线这张图的价值在于把预测准不准翻译成了这个信号拿去交易赚不赚钱。下面四组彩色曲线分别对应不同采样策略last/mean/max/min如果它们整体压在黑色基准虚线之上说明预测信号在回测期内持续产生了超额收益。用最小命令序列跑出第一条预测这一节解决从下载到看到预测图的最短路径共四条命令。git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt python examples/prediction_example.py需要说明两点。第一依赖很轻核心就是 PyTorch、pandas 和 Hugging Face Hubrequirements.txt 里总共十个包安装很快模型权重Kronos-small 约 2470 万参数会在首次运行时从 Hub 自动下载。第二预测示例脚本 读取的是examples/data/下的一份 5 分钟 K 线 CSV如果你的数据源不同把脚本里pd.read_csv(...)那一行换成自己的文件路径即可。CSV 需要包含timestamps和open/high/low/close四列volume、amount可缺省数据准备脚本可参考 get_date_new.py。脚本跑完后会弹出和上面一致的收盘价/成交量对比图同时打印预测数据的前几行。注意一个上限Kronos-small 和 Kronos-base 的max_context是 512即模型最多处理 512 根 K 线作为历史上下文输入更长会被自动截断。K线怎么被模型读懂架构速览一句话版本Kronos 分两级。先由专门的K 线令牌化器Tokenizer把连续的 OHLCV 数值量化成分层的离散 token相当于给 K 线造了一套文字再由一个 decoder-only 的自回归 Transformer 在这些 token 上做预训练像语言模型预测下一个词一样逐根预测未来的 K 线 token最后再还原回价格与成交量。这种设计的实际好处是金融序列噪声大、尺度跨度大直接对连续值建模很难先离散化再自回归让模型能复用大语言模型的成熟训练范式也天然支持多路径概率采样sample_count参数控制采样几条预测路径再平均。原理到这里就够用了具体实现见 model/kronos.py。回测脚本怎么跑图表里看哪几个数第一条预测跑出来之后你多半会关心它到底准不准。仓库给了两条回测路线。路线一基于预测 CSV 的策略回测。run_backtest_kronos.py 会读取某只标的的历史 K 线 CSV 和它的 Kronos 预测 CSV按预测收益率超过 ±2% 阈值生成买卖信号全仓模拟交易并输出资金曲线。脚本末尾的main()里配置了stock_code、data_dir、model_dir三个参数需要改成你自己的数据目录后再运行。图表里重点看四处累计收益曲线 vs 基准策略线是否整体在买入持有之上差距是否随时间稳定扩大而不是靠某一段行情最大回撤曲线从高点回落的最大幅度回撤越深信号越不可用交易次数如果阈值内几乎不交易说明信号触发条件偏严结果参考意义有限胜率与平均单笔收益胜率 50% 但单笔平均收益为正照样是好信号。路线二微调后的 Qlib 回测。如果你走的是 finetune/ 目录下的 A 股微调流程跑完微调后用python finetune/qlib_test.py --device cuda:0做测试集推理按 top-K 选股策略回测产出就是前面那张含成本累计收益/超额收益的图。注意官方声明这只是演示管线不是可直接实盘的交易系统。批量预测、CSV 微调与 GUI按需扩展单只标的验证通过后再按需求挑分支批量预测prediction_batch_example.py 演示predict_batch接口一次并行预测多段序列或多只标的要求各序列的 lookback 与 pred_len 一致自定义 CSV 微调finetune_csv/ 提供完整流程——把自己的 CSV格式要求见 finetune_csv/README_CN.md配上 YAML 配置python train_sequential.py --config configs/config_ali09988_candle-5min.yaml即可完成 tokenizer predictor 的顺序微调。微调在阿里巴巴港股 5 分钟 K 线上的预测效果示例Qlib 全流程微调finetune/ 目录覆盖 A 股数据预处理、tokenizer/predictor 训练与回测Web 界面webui/ 是 Flask 服务cd webui python run.py即可在浏览器里上传数据做预测GUI 桌面脚本prediction_new_GUI.py 提供图形化操作入口。下一步怎么走建议从一只你最熟悉的标的开始先换进自己的 K 线数据跑通单条预测看图里预测段是否跟住了趋势确认信号方向靠谱后再接回测脚本看它在模拟交易中的实际表现最后再考虑批量或微调。预测图好看和回测赚钱是两回事两张图都过关这个模型才算在你的数据上真正可用。【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