金融数据有个特点：噪音大，信号弱。

你打开任何一只股票的日线图，看到的是一串高低开收的价格和成交量。这些数字背后是无数人的买卖决策、情绪波动、信息冲击。传统的时间序列模型试图用数学公式去拟合这些数据，但效果往往不尽如人意——金融市场的信噪比太低了。

Kronos换了一个思路。

它不把K线当成数字，而是当成一种语言。

什么是Kronos

Kronos是一系列decoder-only的基础模型，专门为金融市场的K线序列设计。它的核心想法很简单：既然大语言模型能理解自然语言，那能不能让一个模型专门理解“市场语言”？

答案是能。

Kronos采用了一个两阶段的框架：

第一步，分词。 用一个专门设计的tokenizer，把连续的OHLCV（开盘、最高、最低、收盘、成交量）数据量化成离散的token序列。这个过程有点像把一段连续的市场波动翻译成模型能理解的“单词”。

第二步，预训练。 一个自回归的Transformer在这些token上做预训练。训练数据来自45家全球交易所、超过120亿条K线记录。

训练完成后，这个模型可以统一处理多种量化任务——价格预测、波动率预测、合成数据生成，不需要为每个任务重新设计模型。

image.png

为什么通用模型不够用

在Kronos出现之前，已经有一些时间序列基础模型（TSFM）了，比如Amazon的Chronos、Salesforce的Moirai。但这些通用模型应用到金融K线数据时，效果往往不如非预训练的专用架构。

原因有几个。

一是金融数据信噪比极低、非平稳性强。通用模型的训练语料里，金融数据的占比通常不足1%。让一个主要在气温、电力消耗、销售数据上训练出来的模型去预测股价，相当于让一个读了几百本小说的人去翻译法律文书——能翻，但不精准。

二是现有TSFM往往忽视了一些金融领域的关键任务，比如波动率预测和合成数据生成。

Kronos的定位就是填补这个空白：一个专门为金融K线数据设计的基础模型。

具体效果怎么样

论文里有一组基准测试数据，来自50个热门开源仓库的200个真实PR，覆盖10种编程语言，由80多位资深工程师交叉标注。

在价格序列预测任务上，Kronos的RankIC比领先的TSFM提高了93%，比最佳非预训练基线提高了87%。波动率预测的MAE降低了9%，合成K线序列的生成保真度提高了22%。

零样本设定下就能达到这个水平——也就是说，模型不需要针对特定市场或特定周期做额外训练，直接拿过来就能用。

有券商研报做过策略回测：由Kronos信号驱动的投资组合实现了21.9%的年化超额收益和1.42的信息比率。另一个针对中证1000指数5日择时的测试显示，模型2025年的收益率达到33.9%，相比指数本身的年化超额收益为9%。

当然，这些回测数据仅供参考，不构成任何投资建议。

模型家族

团队开源了不同规模的模型，按需选择：

模型 Tokenizer 上下文长度 参数量 是否开源 Kronos-mini Kronos-Tokenizer-2k 2048 4.1M ✅ Kronos-small Kronos-Tokenizer-base 512 24.7M ✅ Kronos-base Kronos-Tokenizer-base 512 102.3M ✅ Kronos-large Kronos-Tokenizer-base 512 499.2M ❌

mini版的上下文长度有2048，适合需要更长回溯窗口的场景。small和base是512，够用但别超。所有开源模型都可以从Hugging Face Hub直接获取。

上手有多快

Python 3.10+，装好依赖，几行代码就能跑预测。

from model import Kronos, KronosTokenizer, KronosPredictor

tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)

image.png

然后准备好数据——一个包含open、high、low、close列的DataFrame，加上历史时间戳和要预测的未来时间戳——调用predict方法就行。

如果需要同时预测多个标的，还有predict_batch方法支持并行处理。

项目还提供了在自有数据集上微调的完整流程，以A股市场为例，从Qlib数据准备到模型微调再到回测，四个步骤走完。

一个有意思的细节

Kronos的分词器用的是BSQ（Binary Spherical Quantization）算法，把连续的K线数据离散化成token。模型采用分层预测：先预测代表市场大势的“粗粒度”标记，再在这个框架下预测捕捉细节波动的“细粒度”标记。

这模仿的是专业投资者的决策流程——先看大方向，再抠细节。

项目地址在GitHub上，论文已入选NeurIPS 2025。还有个在线demo，展示BTC/USDT接下来24小时的预测结果。

金融预测这件事，从来没有人敢说“准”。但Kronos做对了一件事：它不再把K线当成需要拟合的数字，而是当成需要理解的语言。

这个视角的转换，可能比某个具体的预测准确率更重要。