AI

Kronos：把 K 線當成語言來學的金融基礎模型，AAAI 2026 論文、開源到 102M 參數

Monday

本內容僅供參考，詳細使用規則與工具安全性與否，建議要進行相關安全性測試與評估

特別提醒：本文僅介紹技術，不構成任何投資建議。任何以模型預測進行的交易決策，風險請自行承擔。

大型語言模型的成功，來自一個簡單的想法：把一切變成 token，再預測下一個 token。那麼，金融市場的 K 線能不能也這樣學？Kronos（shiyu-coder/Kronos）的答案是可以——它把開盤、最高、最低、收盤價與成交量（OHLCV）轉成離散的「金融語言」，再用和 GPT 類似的方式預訓練。這個專案的論文已被 AAAI 2026 接受，repo 目前約 43.5k stars，在 10 月 20 日的 AI 開源趨勢報告中單日新增 363 顆星。

1. 專案背景與定位

Kronos 採 MIT 授權，自稱是「第一個開源的金融 K 線基礎模型」，訓練資料來自超過 45 個全球交易所。論文（arXiv 2508.02739）於 2025 年 8 月發表，同年 8 月釋出微調腳本，11 月獲 AAAI 2026 接受。

它的定位不是交易機器人，而是時間序列的基礎模型：就像 LLM 可以被微調成各種任務，Kronos 預訓練好的模型可以用在價格預測、波動率估計、合成資料產生等不同的量化研究任務上。

2. 技術架構與核心設計

  • 兩階段架構：
    1. Tokenizer：把多維度的 OHLCV 資料轉換成階層式的離散 token
    2. 自迴歸 Transformer：在這些 token 上進行 decoder-only 的大規模預訓練
  • 模型家族：
    • Kronos-mini：4.1M 參數，context 長度 2048（搭配 Kronos-Tokenizer-2k）
    • Kronos-small：24.7M 參數，context 512
    • Kronos-base：102.3M 參數，context 512
    • Kronos-large：499.2M 參數，context 512（未開源）
  • 模型發佈：開源模型都放在 Hugging Face 的 NeoQuasar 帳號下。
  • 預測介面：KronosPredictor 接收含 open、high、low、close（volume、amount 選填）欄位的 DataFrame 與時間戳，可設定溫度 T、top_p 與 sample_count 做多次取樣；predict_batch 可平行預測多個序列。
  • 微調流程：以 Qlib 資料為基礎，提供中國 A 股日線的範例：資料前處理 → 微調 tokenizer → 微調預測器（支援 torchrun 多 GPU）→ 簡單的 top-K 回測。
  • 線上 Demo：提供 BTC/USDT 未來 24 小時的預測展示。

3. 社群熱度與生態採用

約 43.5k stars、7.2k forks，但 commit 只有 76 個——這是典型的「研究型 repo」：程式碼精簡，價值主要在模型與論文。學術背景（AAAI 2026）與完整開源的小型模型，讓它成為量化研究社群熟悉金融基礎模型的熱門起點。

需要注意的是，repo 頁面本身沒有列出具體的數值 benchmark，預測與回測結果以圖表呈現，詳細指標需要參考論文。

4. 局限性與潛在風險

  • 預測不等於獲利：README 明確說明，模型的原始訊號不是「純 alpha」，實務上還需要投資組合最佳化與風險因子中性化。
  • 回測過於簡化：內附的 top-K 策略缺乏完整的風險管理；真實的回測必須考慮交易成本、滑價與市場衝擊。官方也說微調流程只是「簡化的展示」，不是可上線的交易系統。
  • 最大的模型沒有開源：499.2M 參數的 Kronos-large 未釋出，開源版本最大為 102.3M。
  • Context 長度有限：small 與 base 版本只能看 512 個時間步，超過會被自動截斷，對需要長期歷史的策略不一定足夠。
  • AI 生成的註解：README 坦承 finetune/ 目錄中的程式註解由 AI 產生，可能有不準確之處。
  • 金融市場的非平穩性：市場結構會隨時間改變，預訓練資料中的模式未必在未來成立；這是所有金融模型共同的根本風險。
  • 合規考量：若用於實際投資或提供給他人使用，需注意當地金融法規與投資顧問相關規範。

5. 應用價值與適用場景

最適合量化研究與教學：研究人員可以用它作為時間序列預測的強基準、測試「金融基礎模型 + 微調」的方法論，或產生合成的 K 線資料做壓力測試。對想了解「LLM 方法如何應用在非文字資料」的工程師，Kronos 也是一個架構清楚、規模可控的學習範例——Kronos-mini 只有 4.1M 參數，一般筆電就能實驗。

Monday 的觀點與架構建議

  • Kronos 最有啟發性的地方在 tokenizer：把連續、多維的數值資料轉成離散 token，是讓 Transformer 範式延伸到各種領域（感測器、醫療訊號、工業時序）的關鍵一步。
  • 使用時請把它當作「特徵產生器」而非「交易訊號」：將預測結果與其他因子結合、做中性化處理，並以包含成本與滑價的嚴謹回測驗證。
  • 微調時務必嚴格切分訓練與測試的時間區間，避免前視偏差（look-ahead bias）——這是金融機器學習最常見、也最致命的錯誤。
  • 本月我們看了許多 Agent 工具，Kronos 則提醒我們「基礎模型」的概念正在快速擴散到語言以外的領域。下一個問題是：這些領域基礎模型，會不會也像 LLM 一樣，出現規模定律（scaling law）？

參考來源