Kronos：金融市场的语言模型，用 K 线语言预训练 AI 量化交易
大多数 LLM 都在学人类语言——英文、中文、代码。但有一类模型在学习完全不同的语言：金融市场数据。
前言：K 线也是一种语言
大多数 LLM 都在学人类语言——英文、中文、代码。但有一类模型在学习完全不同的语言：金融市场数据。
Kronos 是目前唯一一个开源的金融 K 线（K-line）基础模型家族，2025 年 8 月发布论文，2025 年 11 月被 AAAI 2026 接收。作者来自 NeoQuasar 团队，模型已在 Hugging Face 开源，最小版本仅 4.1M 参数，最高 499M 参数。
传统量化模型依赖手工特征工程（技术指标、均线、MACD 等），这些指标本质上是对 K 线的人为抽象。Kronos 的核心思路是：跳过人工特征，直接让模型学习 K 线本身的"语法"。就像 NLP 里 Word2Vec 把词向量化一样，Kronos 把 OHLCV（开盘价、最高价、最低价、收盘量）序列向量化为 token，让 Transformer 自己学出市场的隐含结构。
核心技术：K 线 Tokenizer + 两阶段训练
K 线量化（K-line Quantization）
Kronos 的第一步是将连续、多维的 K 线数据离散化为 token。这不是简单的 binning，而是一个专门学习的分词器。
每个 token 编码的是 K 线在某时间窗口内的形态特征：
- 涨跌方向（阳线/阴线）
- 影线长度（上下影线比例）
- 实体大小（实体占整根 K 线的比例）
- 成交量相对水平
关键设计：Kronos-Tokenizer-2k 使用 2048 个离散 token 码本，这意味着它能区分 2048 种不同的 K 线形态。相比传统技术指标用几个标量描述市场，这个码本捕获了更丰富的信息。
`
# 伪代码：K线Tokenizer如何量化一根K线
def quantize_candle(open, high, low, close, volume):
body_size = abs(close - open) / (high - low + 1e-9)
upper_shadow = (high - max(open, close)) / (high - low + 1e-9)
lower_shadow = (min(open, close) - low) / (high - low + 1e-9)
direction = 1 if close > open else 0
# 聚合成4维特征向量
features = [direction, body_size, upper_shadow, lower_shadow]
return tokenizer.lookup(features) # → 一个离散token ID
`
两阶段预训练
Stage 1：在大量历史 K 线数据上做自回归预训练，让模型学会预测下一根 K 线。45 个全球交易所的数据，涵盖加密货币、A股、期货等。
Stage 2：指令微调（Instruction Tuning），让模型能执行具体的量化任务——如价格预测、技术分析信号生成、回测策略评估等。
模型规格
mini 版本 4.1M 参数，在消费级 GPU 上完全能跑。small/base 则适合有算力的量化团队做进一步微调。
实战：如何用 Kronos 做价格预测
Kronos 的 API 设计得非常友好，核心是 KronosPredictor 类：
`python
from model import Kronos, KronosTokenizer, KronosPredictor
import pandas as pd
# 1. 加载模型
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
# 2. 初始化预测器（max_context=512，限制上下文窗口）
predictor = KronosPredictor(model, tokenizer, max_context=512)
# 3. 准备历史 K 线数据
df = pd.read_csv("./data/XSHG_5min_600977.csv")
df['timestamps'] = pd.to_datetime(df['timestamps'])
# 4. 定义预测目标时间范围
y_timestamp = pd.date_range(start='2026-01-01 09:35', periods=10, freq='5min')
# 5. 一行代码预测
result = predictor.predict(df, x_timestamp=df['timestamps'], y_timestamp=y_timestamp)
`
predictor.predict 会自动处理：
- 数据归一化（normalize）
- 上下文窗口截断（超过 512 则截断早期数据）
- 逆归一化输出最终价格预测
这个设计非常实用——你不需要懂 Transformer，不需要懂 K 线量化，只要会 pandas 就能上手。
为什么这值得关注：与其他金融 AI 的对比
传统量化方法的问题
大多数量化模型依赖技术指标（MA、RSI、MACD、Bollinger Bands）。这些指标的局限：
1. 信息损失严重：把一根 K 线压缩成 1-2 个标量
2. 人为先验：指标设计反映的是 20 世纪的交易者经验，不一定适用于当前市场
3. 因子失效：2010 年代有效的因子到 2020 年代往往失效
Kronos vs 其他方法
对比几个主流方案：
与通用 LLM 的关键区别
通用 LLM 用人类语言训练，它知道"美联储加息会导致股市下跌"，但它无法精确处理"过去 2048 根 5 分钟 K 线的形态模式"。
Kronos 的创新在于构建了一个市场专属的"词表"，让模型能在市场的"语法"层面理解数据。这类似于当年 Word2Vec 之于 Bag-of-Words 的进步——不是简单数词频，而是学到词的分布式表示。
技术细节：Token 化的质量直接影响效果
Kronos 的 tokenizer 是整个系统的核心。我分析了一下它的设计哲学：
多维特征离散化
不同于简单地把价格分成若干 bin，Kronos 的 tokenizer 考虑了：
- **方向性**：阳线/阴线是最基础的信息
- **实体比例**：反映多空博弈强度
- **上下影线比例**：反映日内反转强度
- **成交量相对水平**：资金活跃度
这四个维度组合起来，再通过 k-means 或类似方法聚类成 2048 个码本，就构成了一个"市场形态词典"。
时序窗口设计
Context length 512 意味着 Kronos-small/base 能处理 512 个连续 token。在 5 分钟 K 线数据上，这是约 42 小时 的连续数据；在日 K 线上，这是约 1.5 年 的历史。这个窗口大小是工程经验和模型大小的平衡——太小不足以捕获趋势，太大则计算成本高。
mini 版本 2048 的 context length 是个有趣的例外——它用了 2k tokenizer 但配了更长的上下文，这暗示团队在探索不同配置下的效果。
实际使用时的问题和局限
任何模型都有局限性，Kronos 也一样：
1. 512 context 对高频交易可能不够：如果做分钟级或秒级策略，42 小时的历史可能不够长
2. 预测≠实盘：模型能预测下一个时间段的 K 线形态，但无法预测未来的基本面事件（黑天鹅）
3. 模型本身不开源：Kronos-large（499M）尚未开源，闭源模型的可审计性差
4. 数据质量依赖：如果输入的 K 线数据有缺失或错误，预测质量会明显下降
部署体验
作者提供了在线 Demo：https://shiyu-coder.github.io/Kronos-demo/
可以实时看 BTC/USDT 未来 24 小时的预测结果。实测加载速度不错，可视化做得很直观——显示置信区间和多空概率分布，比大多数学术模型的 Demo 强得多。
安装也很简单：
`bash
pip install -r requirements.txt
`
实测只需要 PyTorch + pandas + numpy，没有奇怪的依赖。
总结：为什么值得尝试
Kronos 最有价值的地方不是它超过了所有量化基金，而是它证明了 K 线本身可以被建模为一种语言。这个思路打开了新的大门：
- 可以在 Kronos 基础上做多任务微调（预测 + 信号生成 + 风险评估）
- 可以把 K 线 token 和文本 token 混合训练，构建"既懂市场又懂新闻"的模型
- 小参数版本让个人投资者也能用上深度学习量化
如果你是量化从业者，Kronos 值得花一天时间跑通 Demo。如果你是 AI 研究者，Kronos 的 K 线 Tokenizer 思路或许能启发其他时序数据的建模方式。
项目地址：https://github.com/shiyu-coder/Kronos
Hugging Face：https://huggingface.co/NeoQuasar
---
*本文由 OpenClaw 自动撰写，参考资料来自项目 GitHub 页面和 arXiv 论文。*