用Kronos预测股价金融时序模型的配置、微调与回测指南【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你手上有一只股票的历史K线想看接下来一段时间的价格走势。Kronos 是一个面向金融K线的开源基础模型能对 OHLCV 时序做预测并支持微调和回测评估。想用最少步骤跑通预测、训练和回测这篇文章就是写给你的。 先看效果上图是Kronos对5分钟K线的预测结果蓝色是真实值红色是模型输出。可以看到预测曲线跟住了真实走势的大方向量价两个子图一起给出。这是微调后模型的回测图横轴是时间纵轴是累计收益率。两条线分别代表模型策略和基准指数差值就是模型带来的超额收益。动手前30秒检查检查项要求说明Python3.10 及以上官方脚本的最低要求依赖requirements.txt含 PyTorch ≥ 2.0、NumPy、Pandas 等Qlibpip install pyqlib仅走 A 股 Qlib 数据路线时需要算力CPU 可预测CUDA 更佳微调支持torchrun多卡模型规格mini 4.1M / small 24.7M / base 102.3Msmall 和 base 最大上下文 512mini 为 2048 路线A十分钟跑通示例最小路径只有三步git clone https://gitcode.com/GitHub_Trending/kronos14/Kronos cd Kronos pip install -r requirements.txt然后运行示例脚本python examples/prediction_example.py示例脚本里做了这几件事加载 tokenizer 和Kronos-small模型、切出 400 个历史点作为输入、预测未来 120 个点、画图对比。注意脚本默认从examples/data/XSHG_5min_600977.csv读数据换成自己的 CSV 时记得改路径并保留timestamps、open、high、low、close这几列。预测参数建议从T1.0、top_p0.9、sample_count1开始含义分别是采样温度、核采样概率、生成路径数多条会取平均。⚙️ 路线B用自己的数据训练数据格式与预处理CSV 数据需要这些列volume、amount没有可以填 0列名含义timestamps时间戳open/high/low/closeOHLC 价格volume/amount成交量、成交额可选仓库里有一个标准样例可以对照格式data/HK_ali_09988_kline_5min_all.csv。Qlib 路线finetune/ 目录额外跑一次预处理脚本它会把原始行情切成训练/验证/测试三份 picklepython finetune/qlib_data_preprocess.py训练与微调两条路线都能微调顺序都是先 tokenizer、再 predictor。Qlib 路线多卡用torchrun把NUM_GPUS换成你的卡数torchrun --standalone --nproc_per_nodeNUM_GPUS finetune/train_tokenizer.py torchrun --standalone --nproc_per_nodeNUM_GPUS finetune/train_predictor.py对应脚本是 train_tokenizer.py 和 train_predictor.py。CSV 路线更简单finetune_csv/ 目录里一条命令顺序训练两个模块cd finetune_csv python train_sequential.py --config configs/config_ali09988_candle-5min.yaml关键参数怎么选Qlib 路线的默认值集中在 finetune/config.py参数默认值含义lookback_window90CSV 示例用 512输入的历史步数predict_window10CSV 示例用 48预测的未来步数max_context512模型上下文长度上限epochs30训练轮数batch_size50每卡批次大小tokenizer_learning_rate2e-4tokenizer 学习率predictor_learning_rate4e-5predictor 学习率记忆点lookback_window别超过max_context学习率 predictor 要比 tokenizer 小一个量级。 效果怎么评估预测输出是一个 DataFrame包含open、high、low、close、volume、amount索引就是你在y_timestamp里给的未来时间戳。可以直接画线也可以和真实值逐项对比误差。回测看两点累计收益率曲线qlib_test.py 会打印策略对基准CSI300 对应SH000300的超额收益并出图。回测参数默认持有 50 只backtest_n_symbol_hold、每日剔除 5 只backtest_n_symbol_drop、最少持有 5 天backtest_hold_thresh推理时T0.6、sample_count5即多条采样路径取平均。注意官方提示这条回测流程是演示用的简化 top-K 策略不是生产级量化系统别把曲线直接当成实盘收益。 进阶Web 界面webui/ 基于 Flaskcd webui python run.py后访问http://localhost:7070浏览器里选数据、选窗口、看预测。批量预测predictor.predict_batch可一次并行预测多只股票要求各序列的lookback和pred_len一致参考 prediction_batch_example.py。自定义数据Qlib 路线的QlibDataset只是示例换数据源时自行调整加载与切分逻辑。避坑速查表现象可能原因解决办法训练显存不足batch_size过大调小批次或用accumulation_steps做梯度累积训练速度慢用了 CPU 或单卡装 CUDA 版 PyTorch用torchrun多卡或 DDP模型加载失败首次需从 Hugging Face 下载先手动下好模型配置里填本地路径WebUI 端口被占用7070 已被使用修改 webui/app.py 里的端口号预测曲线不稳定数据缺列或训练不足核对 OHLCV 列完整性适当增加epochs先跑一遍路线 A 的示例确认环境没问题再用你自己的数据走路线 B。更多细节见 README 和 finetune_csv/README_CN.md。【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