Kronos

第一个专门为金融K线数据打造的基础模型

GitHub-Projekt

Kronos的核心定位是「将金融市场的K线序列理解为一种语言」，通过大规模预训练让模型学会金融市场的「语法」和「词汇」。与通用时间序列基础模型（TSFM）不同，Kronos专门针对金融数据的高噪声、多维度和非平稳性进行了优化设计，能够直接处理股票、加密货币、外汇等资产的K线数据并输出预测结果。

深度报告

Projektursprung und Entwicklungskontext: Der vollständige Name von Kronos lautet „Kronos: A Foundation Model for the Language of Financial Markets“. Es wurde gemeinsam von sieben Forschern des Interdisciplinary Information Institute (IIIS) und der Abteilung für Automatisierung der Tsinghua-Universität entwickelt. Zu den Hauptautoren gehören Yu Shi, Fu Zongliang, Chen Shuo, Zhao Bohan, Xu Wei, Zhang Changshui und Li Jian. Das Projekt wurde erstmals am 2. August 2025 auf arXiv unter der Papiernummer arXiv:2508.02739 veröffentlicht. Anschließend wurden schnelle Iterationen durchgeführt: Das verfeinerte Skript wurde am 17. August 2025 veröffentlicht, und im November 2025 wurde auf dem NeurIPS 2025-Workshop „Recent Advances in Time Series Foundation Models“ ein Poster präsentiert. Im März 2026 wurde es schließlich offiziell von AAAI 2026 angenommen und auf der AAAI Conference on Artificial Intelligence Vol.40 No.30 veröffentlicht. Den Statistiken des GitHub-Warehouses nach zu urteilen, hat das Projekt seit seiner Veröffentlichung ein sehr hohes Maß an Community-Aktivität aufrechterhalten: Bisher hat es insgesamt 19,4.000 Sterne, 3,5.000 Forks, 179 Beobachter, 146 Issues und 25 Pull Requests erhalten und insgesamt waren 18 Mitwirkende an der Entwicklung beteiligt. Die neuesten Entwicklungen, die auf der offiziellen GitHub-Seite angezeigt werden, datieren vom 10. November 2025. Damals war die Aufnahme des Projekts durch AAAI 2026 gerade erst bestätigt worden, was umgehend umfangreiche Diskussionen in der Entwickler-Community auslöste. Erwähnenswert ist, dass das Projekt auch synchron auf inländische Code-Hosting-Plattformen wie Gitee und GitCode gespiegelt wurde, wodurch sein Einfluss in der inländischen Entwicklergemeinschaft weiter ausgebaut wurde. Entwicklungsteam und organisatorischer Hintergrund:Das Forschungs- und Entwicklungsteam von Kronos besteht aus zwei starken Disziplinen der Tsinghua-Universität – dem Interdisciplinary Institute of Information (IIIS, berühmt für Informatik und Quantencomputing-Forschung) und dem Department of Automation (traditionelle Stärken in der Steuerungswissenschaft und -technik). Diese interdisziplinäre Kombination bietet eine einzigartige technische Perspektive für die Modellierung finanzieller Zeitreihen. Unter den Autoren des Papiers ist Professor Zhang Changshui ein bekannter Wissenschaftler in der Abteilung für Automatisierung und verfügt über umfassende Erfahrung in den Bereichen maschinelles Lernen und Mustererkennung; Professor Li Jian genießt auch in verwandten Bereichen einen hohen akademischen Ruf. Als gemeinsame Forschungs- und Entwicklungseinrichtung stellt Microsoft Research Asia Rechenleistungsunterstützung und technische Erfahrung für das Projekt bereit. Dieses Kooperationsmodell „akademische Einrichtung + Industrielabor“ ist in inländischen KI-Open-Source-Projekten relativ selten und spiegelt auch den akademischen Wert und das kommerzielle Potenzial der Forschung wider.
Die Kernpositionierung von Kronos besteht darin, „die K-Linien-Sequenz des Finanzmarkts als Sprache zu verstehen“ und das Modell durch umfangreiches Vortraining die „Grammatik“ und das „Vokabular“ des Finanzmarkts erlernen zu lassen. Im Gegensatz zum allgemeinen Zeitreihen-Basismodell (TSFM) ist Kronos speziell für das hohe Rauschen, die Mehrdimensionalität und die Instationarität von Finanzdaten optimiert. Es kann K-Line-Daten von Aktien, Kryptowährungen, Devisen und anderen Vermögenswerten direkt verarbeiten und Vorhersageergebnisse ausgeben. Das Modell unterstützt hauptsächlich drei nachgelagerte Aufgaben. Die erste ist die Vorhersage der Preisfolge, die die Kernfunktion darstellt. Nach dem Empfang historischer K-Line-Daten gibt das Modell eine Vorhersage zukünftiger Preistrends aus. Es unterstützt 7 Zeitgranularitäten von 1 Minute, 5 Minuten, 15 Minuten, 30 Minuten, 1 Stunde, 4 Stunden und täglich. Die Ausgabe umfasst den Eröffnungspreis, den höchsten Preis, den niedrigsten Preis, den Schlusspreis und den Vorhersagewert für das Transaktionsvolumen zu jedem Zeitpunkt. Die zweite Möglichkeit ist die Volatilitätsvorhersage, die insbesondere für Szenarien wie Risikomanagement und Optionspreisgestaltung wichtig ist. Kronos hat bei der Aufgabe zur Vorhersage der realisierten Volatilität eine bessere Leistung als das traditionelle GARCH-Modell und das allgemeine TSFM gezeigt. Die dritte ist die synthetische K-Linien-Generierung, mit der realistisch simulierte K-Linien-Sequenzen auf der Grundlage erlernter Marktregeln generiert werden können, was für die Datenverbesserung und Strategie-Backtesting von großem Wert ist – das vom Forscher auf synthetischen Daten trainierte Modell schneidet bei realen Daten sogar besser ab als das auf einigen realen Daten trainierte Basismodell. In Bezug auf den Vorhersagemechanismus unterstützt Kronos zwei Methoden zur Unsicherheitsquantifizierung: Temperaturprobenahme (T-Parameter) und Kernelprobenahme (top_p-Parameter), sodass Benutzer den „konservativen“ oder „aggressiven“ Grad der Vorhersage entsprechend der Risikopräferenz anpassen können. Darüber hinaus unterstützt das Modell auch den Batch-Vorhersagemodus und implementiert GPU-Parallel-Computing über die Predict_batch-Methode, mit der mehrere Assets oder mehrere Zeiträume gleichzeitig effizient vorhergesagt werden können. Im GitHub-Repository steht eine Online-Demonstration der 24-Stunden-Echtzeitvorhersage von BTC/USDT zur Verfügung, die es Benutzern ermöglicht, den Vorhersageeffekt des Modells intuitiv zu erleben.
Kronos verwendet ein innovatives zweistufiges Framework zur Verarbeitung finanzieller K-Line-Daten. In der ersten Stufe wandelt ein spezialisierter K-Line-Tokenizer (Tokenizer) kontinuierliche sechsdimensionale OHLCV-Daten (Eröffnungspreis, höchster Preis, niedrigster Preis, Schlusskurs, Handelsvolumen, Handelsbetrag) in diskrete Token-Sequenzen um. Die Kerntechnologie hierbei ist die Binary Spherical Quantization (BSQ), die die Einbettung jedes K-Line-Datensatzes auf die Hypersphäre projiziert, um einen 20-Bit-Binärcode zu erzeugen. Um die mehrstufige Marktdynamik zu erfassen, wird jede K-Linie in zwei Sub-Tokens quantifiziert: grobkörniges Sub-Token (10 Bit) und feinkörniges Sub-Token (10 Bit). Ersteres kodiert das allgemeine Preisniveau und letzteres kodiert subtile Schwankungen. In der zweiten Stufe wird ein autoregressiver Transformer nur für den Decoder auf diesen diskreten Token vorab trainiert. Dabei wird ein Mechanismus der kausalen Aufmerksamkeit (kausale Selbstaufmerksamkeit) verwendet, um sicherzustellen, dass Vorhersagen nur auf historischen Informationen basieren können, und Informationen zur zeitlichen Reihenfolge werden durch Rotationspositionskodierung (RoPE) integriert. Der Umfang der vorab trainierten Daten ist der größte Vorteil von Kronos im Vergleich zu anderen TSFMs: Das Modell wird auf mehr als 12 Milliarden K-Line-Datensätzen trainiert. Die Daten decken mehrere Anlageklassen an mehr als 45 Börsen weltweit ab, darunter Aktien, Kryptowährungen, Futures und Devisen. Der Datenzeitraum deckt eine Vielzahl von Marktzyklen ab. Die Vortrainingsaufgabe verwendet eine standardmäßige autoregressive Zielfunktion, die es dem Modell ermöglicht, feinkörnige zeitliche Darstellungen und anlagenübergreifende Darstellungen zu lernen.Kronos bietet vier Parameterskalenmodellvarianten zur Anpassung an unterschiedliche Rechenleistungsanforderungen und Leistungsanforderungen. Kronos-mini ist mit nur 4,1 Millionen Parametern die leichteste Version, aber die Kontextlänge erreicht 2048 Token. Es eignet sich für die schnelle Analyse langfristiger historischer Daten und erfordert nur etwa 2 GB Videospeicher, um auf GPUs der Verbraucherklasse ausgeführt zu werden. Kronos-small hat 24,7 Millionen Parameter und eine Kontextlänge von 512. Es ist derzeit die am weitesten verbreitete Version in der Open-Source-Community und hat ein gutes Gleichgewicht zwischen Leistung und Effizienz erreicht. Kronos-base ist die Standardversion und enthält 102,3 Millionen Parameter. Außerdem wird eine Kontextlänge von 512 verwendet. Die Leistung ist leistungsfähiger, aber auch die Anforderungen an die Rechenleistung steigen entsprechend. Kronos-large ist die Vollversion mit 499,2 Mio. Parametern und der stärksten Leistung, ist jedoch noch nicht Open Source und nur für Forschungszwecke bestimmt. Aus Sicht der Architekturparameter verwendet Kronos-small 8 Transformer-Schichten, 512 versteckte Dimensionen und 8 Aufmerksamkeitsköpfe, Kronos-Base wird auf 12 Schichten, 832 versteckte Dimensionen und 16 Köpfe erweitert und Kronos-large wird weiter auf 18 Schichten, 1664 versteckte Dimensionen und 32 Köpfe erweitert.
Kronos bietet umfassende Unterstützung bei der Feinabstimmung, sodass Benutzer das Training des Modells anhand ihrer eigenen Marktdaten anpassen können, was als wichtiger Schritt bei der Anwendung des Modells auf tatsächliche Handelsstrategien gilt. Der Feinabstimmungsprozess wird auf Basis der quantitativen Investmentplattform Qlib umgesetzt und gliedert sich in vier Schritte: Zunächst werden mit Qlib Daten vorbereitet und die lokalen Marktdaten des Nutzers in das vom Modell geforderte Format konvertiert; Zweitens konfigurieren Sie die experimentellen Parameter, einschließlich der Aufteilung des Trainingssatzes/Validierungssatzes, der Lernrate und der Stapelgröße. Passen Sie dann den Wortsegmentierer an die Dateneigenschaften eines bestimmten Marktes an. und schließlich das Vorhersagemodell verfeinern, indem die Transformer-Parameter aktualisiert werden, um die Regeln bestimmter Assets zu lernen. Das GitHub-Repository bietet ein vollständiges Tutorial zur Feinabstimmung am Beispiel des A-Share-Marktes. Benutzer können auf dieses Tutorial zurückgreifen, um schnell loszulegen. Das Projektdokument betont auch ausdrücklich die Vorsichtsmaßnahmen für den Einsatz in der Produktionsumgebung: Das ursprüngliche Vorhersagesignal entspricht nicht dem direkt nutzbaren Alpha-Faktor. Der Risikofaktor muss durch das Portfoliooptimierungsmodell neutralisiert werden und reale Faktoren wie Transaktionskosten und Marktauswirkungen sollten berücksichtigt werden. Der Feinabstimmungscode selbst dient nur zu Demonstrationszwecken und stellt kein quantitatives Handelssystem auf Produktionsebene dar.
Kronos selbst ist ein vollständig Open-Source-Projekt mit MIT-Lizenz und alle vorab trainierten Gewichte stehen öffentlich und kostenlos auf Hugging Face zum Download zur Verfügung. Zu den Open-Source-Modellen gehören Kronos-mini (NeoQuasar/Kronos-mini), Kronos-small (NeoQuasar/Kronos-small) und Kronos-base (NeoQuasar/Kronos-base). Benutzer können sie direkt über die Transformers-Bibliothek von Hugging Face laden und verwenden. Der Beamte behauptet, dass „nur 4 Codezeilen“ verwendet werden können, um den Modellaufruf und die Vorhersage abzuschließen. Obwohl Kronos-large kein Open Source ist, plant das Forschungsteam möglicherweise, Dienste über kostenpflichtige API-Aufrufe bereitzustellen, was noch nicht klar ist. Aus Sicht des Geschäftsmodells ist Kronos für Forscher und einzelne quantitative Enthusiasten äußerst attraktiv, da es die Schwelle zu enormen Datenmengen und Rechenleistung beseitigt, die erforderlich ist, um grundlegende Finanzmodelle von Grund auf zu trainieren. Für kommerzielle Institutionen können auf Kronos basierende Closed-Source-Mehrwertdienste entwickelt werden, beispielsweise dedizierte Prognosedienste für bestimmte Märkte oder Anlageklassen, in quantitative Handelsplattformen integrierte SDKs oder technische Beratung zur Modellfeinabstimmung und -bereitstellung. Zu den derzeit bekannten abgeleiteten Community-Projekten gehört das Kronos-Dashboard (WebUI Visual Interface), das vom GitHub-Benutzer haoyuhu entwickelt und verwaltet wird und die Hürde für den Einstieg für technisch nicht versierte Benutzer weiter senkt.
Positives Feedback: Den Diskussionen in der chinesischen Entwicklergemeinschaft zufolge ist der bekannteste Wert von Kronos seine „Originalität“ und „Open-Source-Integrität“. Viele Zhihu- und CSDN-Autoren wiesen darauf hin, dass Kronos „das erste Basismodell ist, das speziell für Finanz-K-Line-Daten entwickelt wurde“ und die Lücke füllt, in der es zuvor kein Open-Source-Finanzzeitreihenmodell gab. Wenn Entwickler bisher Deep-Learning-Methoden für Finanzprognosen verwenden wollten, konnten sie sich nur auf allgemeines TSFM (wie TimesFM, Chronos) verlassen oder selbst kleine Modelle trainieren. Ersteres ist nicht ideal für die Verarbeitung von Finanzdaten und letzteres ist durch die Datenmenge und die Rechenleistung begrenzt. Die hohe Anzahl an Sternen auf GitHub (19,4.000) spiegelt auch die Anerkennung des Projekts durch die Community wider. Einige Benutzer gaben in Issues an, dass das zweistufige Framework-Design von Kronos „sehr elegant“ und die Idee des BSQ-Tokenizers „inspirierend“ sei, da es die Tokenisierung von Finanzzeitreihen wie Text ermögliche und neue Ideen für nachfolgende Forschungen lieferte. Darüber hinaus gilt die vom Projekt bereitgestellte BTC/USDT-Echtzeit-Vorhersagedemo als „sehr gewissenhafte“ Funktion, die es Benutzern ermöglicht, den Vorhersageeffekt des Modells intuitiv zu erleben, ohne dass eine Installation erforderlich ist. Den experimentellen Ergebnissen des Papiers nach zu urteilen, hat auch die Leistung von Kronos beim A-Aktien-Backtest eine gewisse Anerkennung erhalten. Die Investitionssimulation des Forschers anhand der Marktdaten von Shanghai und Shenzhen zeigte, dass die jährliche Überschussrendite (AER) und das Informationsverhältnis (IR) des mithilfe von Kronos-Prognosesignalen erstellten Anlageportfolios unter allen getesteten Basislinien am höchsten waren. Allerdings ist zu beachten, dass die Backtest-Ergebnisse nicht die tatsächliche Performance widerspiegeln. Bei tatsächlichen Transaktionen müssen auch Faktoren wie Liquidität, Slippage und Marktauswirkungen berücksichtigt werden. Kritik und Hinterfragen: Kronos steht auch vor einigen technischen und praktischen Herausforderungen. Der erste ist der Streit um den Status der „AAAI 2026-Akzeptanz“: Auf der GitHub-Seite war die AAAI 2026-Akzeptanz deutlich gekennzeichnet, aber die Aufnahmeinformationen des gleichen Artikels auf der OpenReview-Seite wurden als NeurIPS 2025 Workshop Poster angezeigt. Die endgültigen Verifizierungsergebnisse zeigten, dass das Papier zwar in AAAI 2026 veröffentlicht wurde (DOI: 10.1609/aaai.v40i30.39730, veröffentlicht am 14. März 2026), sein früher Verbreitungsweg jedoch über den NeurIPS-Workshop verlief. Diese Situation „zuerst veröffentlicht und dann offiziell akzeptiert“ auf akademischen Konferenzen und Workshops ist im Bereich der schnell iterativen KI keine Seltenheit, kann jedoch bei einigen Benutzern zu Verwirrung führen.Zweitens gibt es technische Einschränkungen. Ausgehend von der eingehenden Analyse technischer Blogger auf Medium wiesen einige Wissenschaftler darauf hin, dass „selbst wenn ein universelles Modell mit Milliarden von Datenpunkten vorab trainiert wird, es einer manuell abgestimmten domänenspezifischen Architektur auf K-Line-Daten immer noch unterlegen sein kann.“ Die instationäre Natur, das hohe Rauschen und die einzigartige Marktmikrostruktur von Finanzdaten erschweren die direkte Migration des „one-size-fits-all“-Grundmodellparadigmas. Die Kontextlänge von Kronos ist auf 512 Token begrenzt, was für Szenarien wie Hochfrequenzhandel, die längere historische Daten erfordern, möglicherweise nicht ausreicht. Darüber hinaus gehen bei der diskretisierten Darstellung des Wortsegmentierers zwangsläufig einige feinkörnige Informationen verloren. Die tatsächliche Nutzungsrate von grobkörnigen Token erreicht 97,66 % und die von feinkörnigen Token 85,25 %, was darauf hindeutet, dass ein bestimmter Anteil der Codewörter nicht vollständig genutzt wird und möglicherweise Raum für Optimierung
Position in der Linie der grundlegenden Zeitreihenmodelle: Das Aufkommen von Kronos füllt die Lücke in den finanzspezifischen Timing-Grundmodellen. Gemessen an der Entwicklung von Zeitreihen-Basismodellen haben Giganten wie Google (TimesFM), Amazon (Chronos), Salesforce (Moirai) und Nixtla (TimeGPT) zwischen 2023 und 2024 nacheinander allgemeine Zeitreihen-Basismodelle veröffentlicht. Diese Modelle haben in ihren jeweiligen Benchmark-Tests ihre Fähigkeit zur Vorhersage von Nullstichproben bewiesen, sind jedoch nicht speziell für den Finanzmarkt konzipiert – Finanzdaten machen weniger als 1 % der Trainingsdaten aus. Die Kernerkenntnis von Kronos besteht darin, dass finanzielle K-Line-Daten eine einzigartige OHLCV-Struktur, hohe Rauscheigenschaften und marktspezifische Gesetze aufweisen. Der allgemeine TSFM-Tokenizer und das Pre-Training-Ziel können diese Eigenschaften nicht effektiv erfassen, daher ist ein speziell für den Finanzmarkt entwickeltes Basismodell erforderlich. Aus Sicht des Architekturtyps verwendet Kronos einen Nur-Decoder-Transformer, der mit leistungsstärkeren Timing-Modellen wie TimesFM und Lag-Llama übereinstimmt. Moirai verwendet eine reine Encoder-Architektur, die weitere Vorteile beim allgemeinen Timing-Verständnis bietet (z. B. Anomalieerkennung). Die Encoder-Decoder-Architektur von Chronos ist hinsichtlich Flexibilität und Multitasking-Fähigkeiten ausgewogener. Die Einzigartigkeit von Kronos liegt in seinem zweistufigen Rahmenwerk – zunächst die Umwandlung kontinuierlicher Finanzdaten in diskrete Token durch BSQ-Quantifizierung und dann die Durchführung eines autoregressiven Vortrainings auf Token-Ebene. Dies unterscheidet sich von allen allgemeinen TSFMs und ist ein maßgeschneidertes Design für Finanzdaten. Liste der wichtigsten Konkurrenzprodukte: Die Konkurrenzprodukte, die in direktem Zusammenhang mit Kronos stehen, lassen sich in mehrere Kategorien einteilen. Die erste Kategorie umfasst allgemeine Zeitreihen-Grundmodelle, zu denen hauptsächlich TimesFM (Google, 200 Millionen Parameter, nur Decoder, 100 Milliarden Zeitpunkte vor dem Training), Chronos (Amazon, Encoder-Decoder, Wahrscheinlichkeitsvorhersage für mehrere Domänen), Moirai (Salesforce, nur Encoder, Erkennung mehrerer Variablen und Anomalien) und TimeGPT (Nixtla, Transformer, API-Aufrufmodus, um 60 % erhöhte Genauigkeit) gehören. Die Vorteile dieser Modelle liegen in ihrer Vielseitigkeit und domänenübergreifenden Generalisierungsfähigkeiten, aber ihre spezifische Leistung bei finanziellen K-Line-Daten ist nicht so gut wie die von Kronos – das Papier zeigt, dass Kronos‘ Preisvorhersage RankIC TimesFM um 93 % übertrifft.Die zweite Kategorie umfasst finanzspezifische Modelle, darunter BloombergGPT (Bloomberg, 50 Milliarden Parameter, speziell für Finanztexte trainiert, verarbeitet keine K-Line-Daten) und FinGPT (AI4Finance Foundation, Open-Source-Finanzmodell in großer Sprache, Schwerpunkt auf Finanzstimmungsanalyse und Textgenerierung). Kronos ergänzt diese Modelle: BloombergGPT und FinGPT verarbeiten Finanztexte und Kronos verarbeitet Finanzpreisreihen. Die dritte Kategorie umfasst quantitative Modelle aus akademischen und Open-Source-Communities, wie beispielsweise verschiedene Tools in den Ökosystemen Open Quant.AI und AI4Finance Foundation. Kronos bildet als „Basismodell“ eine vor- und nachgelagerte Beziehung zu diesen Anwendungen der oberen Schicht. Aus Sicht der praktischen Anwendung ist der Leistungsvorteil von Kronos im unterteilten Szenario der Finanzprognose klar, aber das allgemeine TSFM bietet immer noch Vorteile bei nichtfinanziellen Zeitreihenprognoseaufgaben. Erfahrene Forscher können sich dafür entscheiden, mehrere Modelle gleichzeitig zu verwalten und je nach Aufgabe zu wechseln. Die MIT-Lizenz von Kronos und der bequeme Zugriff auf Hugging Face machen es zum aktuellen Tool der Wahl für den Einstieg und die Recherche in die finanzielle K-Line-Prognose.
Die Geburt von Kronos steht in engem Zusammenhang mit der rasanten Entwicklung des KI-Finanzmarktes. Laut Marktforschungsdaten mehrerer Parteien wird der globale Markt für algorithmischen Handel im Jahr 2024 etwa 21,1 Milliarden US-Dollar betragen und im Jahr 2030 voraussichtlich auf 43 Milliarden US-Dollar anwachsen, mit einer durchschnittlichen jährlichen Wachstumsrate von etwa 12,9 %; Die Größe des KI-Finanzmarkts wird voraussichtlich von 38,36 Milliarden US-Dollar im Jahr 2024 auf 190,33 Milliarden US-Dollar im Jahr 2030 wachsen, mit einer durchschnittlichen jährlichen Wachstumsrate von bis zu 30,6 %. Der Markt für KI-algorithmische Handelsplattformen wird im Jahr 2024 etwa 1,26 Milliarden US-Dollar betragen und bis 2031 voraussichtlich 3,352 Milliarden US-Dollar erreichen. Diese Daten spiegeln den starken Wachstumstrend des quantitativen Handels und der KI-Finanzierung wider und bieten auch einen breiten Anwendungsbereich für Open-Source-Tools wie Kronos. Der Open Source Financial Services Industry Report 2025 der Linux Foundation zeigt, dass 84 % der Befragten glauben, dass Open Source für die Entwicklung finanzieller KI von entscheidender Bedeutung ist, und 56 % glauben, dass Basismodelle den größten Einfluss auf die KI-Entwicklung haben. Das Aufkommen von Kronos passt perfekt zu diesem Trend – es senkt nicht nur die Hürden für die Finanz-KI-Forschung, sondern stellt kommerziellen Institutionen auch ein anpassbares und überprüfbares zugrunde liegendes Tool zur Verfügung, das in der stark regulierten Finanzbranche von besonderem Wert ist.
Akademische und technische Herausforderungen: Die Hauptkontroverse, mit der Kronos konfrontiert ist, ist die grundlegende Frage: „Prognose ist nicht gleichbedeutend mit Rentabilität.“ Finanzmärkte unterliegen einem hohen Zufallsprinzip, und selbst technisch ausgereifte Vorhersagemodelle können im realen Handel keine stabilen Erträge garantieren. Obwohl die im Kronos-Papier gezeigten Backtest-Ergebnisse für A-Aktien optimistisch sind, besteht die Gefahr einer Überanpassung beim Backtest – die Tatsache, dass das Modell auf Daten aus einem bestimmten historischen Zeitraum gut abschneidet, bedeutet nicht, dass diese Leistung in der Zukunft reproduziert werden kann. Noch wichtiger ist, dass die Vorhersage von Signalen nur ein Teil des quantitativen Handelsprozesses ist. Von Signalen bis hin zu Strategien erfordert es auch die Zusammenarbeit mehrerer Module wie Fondsmanagement, Risikokontrolle und Transaktionsausführung. Beim zweiten Thema geht es um die tatsächliche Nutzbarkeit von „Open-Source-Großmodellen“. Kronos-large (499,2 Mio. Parameter) ist kein Open Source und Benutzer können nur drei kleinere Versionen verwenden: Mini/Small/Base. Für kommerzielle Anwendungen, die maximale Leistung anstreben, kann dies eine Einschränkung darstellen. Selbst die größte Open-Source-Version ist mit ihrem 499-Millionen-Parameter Kronos-large im Vergleich zu großen Allzweckmodellen immer noch leichtgewichtig, und es kann eine Obergrenze für die Fähigkeit geben, komplexe Marktmuster zu erfassen. Darüber hinaus sind die Pre-Training-Daten von Kronos ab Juni 2024 verfügbar. Bei sich schnell ändernden Marktumgebungen (z. B. Notfällen und Richtlinienänderungen) kann die Generalisierungsfähigkeit des Modells eingeschränkt sein. Aufgrund der instationären Natur der Finanzmärkte gelten historische Gesetze möglicherweise nicht unbedingt für die Zukunft. Dies ist eine grundlegende Herausforderung, vor der alle statistischen Modelle stehen, die auf historischen Daten basieren. Compliance und ethische Überlegungen: Auf regulatorischer Ebene ist der Einsatz von KI-Modellen für Handelsentscheidungen in vielen Jurisdiktionen streng reguliert. Als Open-Source-Tool kann Kronos von jedermann frei genutzt werden, aber die direkte Verwendung von Vorhersageergebnissen für den realen Handel kann eine genaue Prüfung durch Aufsichtsbehörden auslösen, insbesondere im Zusammenhang mit Hochfrequenzhandel und algorithmischem Handel, die viel Aufmerksamkeit erhalten haben. Darüber hinaus kann es zu Compliance-Risiken kommen, wenn auf Kronos basierende kommerzielle Dienste irreführende Werbung beinhalten (z. B. die Behauptung, dass „KI-Vorhersagen garantiert Geld einbringen, ohne Geld zu verlieren“). Aus technisch-ethischer Sicht können die Vorhersagefähigkeiten von Kronos zur Marktmanipulation genutzt werden (z. B. zur Erzeugung falscher Preissignale durch gefälschte Käufe und Verkäufe), obwohl dies außerhalb des Designbereichs des Tools selbst liegt. Der Einsatz eines Finanz-KI-Tools sollte innerhalb eines rechtlichen und konformen Rahmens erfolgen, und der Autor von Kronos hat dies auch in der README-Datei klar dargelegt.
Geeignete Szenarien: Kronos eignet sich am besten für die folgenden Benutzertypen. Die erste Gruppe sind quantitative Finanzforscher. Kronos bietet eine vollständige Prozessbasislinie von den ursprünglichen K-Liniendaten bis hin zu vorhergesagten Signalen. Auf dieser Grundlage können Forscher neue Ideen schnell verifizieren, verschiedene Modellarchitekturen vergleichen oder Kronos als Basis für Ablationsexperimente verwenden. Die zweite Gruppe sind KI/ML-Entwickler, die verstehen oder üben möchten, „wie man LLM-Ideen auf Zeitreihen anwendet“. Das zweistufige Framework von Kronos (Wortsegmentierer + autoregressiver Transformer) ist ein guter Lernfall. Die dritte Gruppe besteht aus Enthusiasten persönlicher Quantifizierung, denen die Daten und die Rechenleistung fehlen, um Modelle von Grund auf zu trainieren, die aber darauf hoffen, Deep-Learning-Methoden zur Unterstützung ihrer Investitionsforschung einzusetzen. Die geringen Hardwareanforderungen (2 GB Videospeicher) und das einfache API-Design von Kronos-mini ermöglichen solchen Benutzern den Einstieg. Das vierte sind Finanztechnologieunternehmen, die Prototypen bauen müssen, um Konzepte zu verifizieren oder Produktideen schnell zu iterieren. Open-Source-Kronos kann Investitionsrisiken in den frühen Phasen der Forschung und Entwicklung reduzieren. Vorschläge und Vorsichtsmaßnahmen für die Verwendung: Für diejenigen, die Kronos verwenden möchten, sind die folgenden Punkte erwähnenswert. Erstens sollten Sie die Modellergebnisse nicht direkt als Grundlage für Handelsentscheidungen verwenden. Es sollte als einer von vielen Referenzfaktoren betrachtet und ein vollständiger Risikomanagementmechanismus eingerichtet werden. Zweitens sollten Sie vorrangig mit Kronos-small oder Kronos-mini beginnen und dann eine größere Version in Betracht ziehen, nachdem Sie sich mit dem Verhalten des Modells vertraut gemacht haben. Drittens lassen sich oft bessere Ergebnisse erzielen, als den Qlib-Feinabstimmungsprozess des Projekts vollständig zu nutzen und das Modell mit Daten aus dem eigenen Zielmarkt anzupassen, als mit Nullstichproben. Viertens: Verfolgen Sie GitHub Issues und Community-Diskussionen, um mehr über die Erfahrungen und Fallstricke anderer Benutzer zu erfahren, was mehr in Echtzeit als durch Dokumentation geschieht. Fünftens: Lesen Sie unbedingt das Kapitel „Produktionsempfehlungen“ in der offiziellen README-Datei, um die Lücke und die potenziellen Risiken zwischen vorhergesagten Signalen und tatsächlichen Strategien zu verstehen. Übersicht der Alternativen: Wenn Kronos nicht Ihren Anforderungen entspricht, finden Sie hier einige Alternativen, die Sie in Betracht ziehen sollten. Für allgemeine Anforderungen an die Vorhersage von Zeitreihen sind TimesFM und Chronos relativ ausgereifte Open-Source-Optionen. Obwohl sie nicht für den Finanzbereich bestimmt sind, werden sie häufig in den Bereichen Energie, Transport und anderen Bereichen eingesetzt. Für Szenarien, die einen längeren Kontext und stärkere Generierungsfunktionen erfordern, bietet die Pro-Version von TimeGPT-2 (Nixtla) eine höhere Genauigkeit, erfordert jedoch ein kostenpflichtiges Abonnement. Für die Analyse von Finanztexten sind FinGPT und BloombergGPT spezialisierter. Für hochspezialisierte quantitative Handelsanforderungen ist möglicherweise ein umfassendes Rahmenwerk erforderlich, das traditionelle ökonometrische Modelle (GARCH, ARIMA usw.) und Methoden des maschinellen Lernens kombiniert.
Kronos ist ein wichtiger Open-Source-Meilenstein im Bereich der Finanz-KI. Es beweist, dass ein speziell für finanzielle K-Line-Daten entwickeltes Basismodell Ergebnisse erzielen kann, die weit über das allgemeine Zeitreihenmodell hinausgehen. Der Kooperationshintergrund zwischen der Tsinghua-Universität und Microsoft Research Asia, die akademische Anerkennung von AAAI 2026, die Community-Popularität von 19,4.000 GitHub Stars und die vollständige Open Source unter der MIT-Lizenz haben es zu einem Werkzeug gemacht, das in der aktuellen quantitativen Finanzforschung und -entwicklung nicht ignoriert werden kann. Es muss jedoch klar sein, dass die von Kronos nachgewiesenen Leistungsvorteile hauptsächlich in technischen Indikatoren (RankIC, MAE usw.) liegen und ihre Umwandlung in tatsächliche Anlagerenditen viel zusätzliche Arbeit erfordert. Aufgrund der Komplexität und Unsicherheit der Finanzmärkte ist jedes Prognosemodell kein Allheilmittel. Für Forscher und Praktiker, die im quantitativen Bereich wirklich etwas bewirken wollen, bietet Kronos einen hochwertigen Ausgangspunkt und eine solide Basis, aber die endgültige Wertschöpfung hängt von den eigenen beruflichen Fähigkeiten und dem Urteilsvermögen des Benutzers ab.

用户评论

RichardThompsonJr42

—

跑了一下Kronos-mini，4M参数在MacBook上确实能跑，但预测准确率也就55%左右，不能说没用但离直接赚钱差得远。作为研究工具还不错，但别抱太高期望，理性看待它的能力边界。这项目值得关注但别冲动去All in。

Clara605

—

把K线当语言来训这个思路确实巧妙，BSQ分词器比直接扔数值进模型靠谱多了。但问题在于，市场不是你读懂历史就能预测未来的。Kronos解决了表示问题，但没解决预测问题，这是两码事，很多人都把这两个概念混淆了。

Austin.Brown273

—

试了三天Kronos预测A股，RankIC确实比我自己瞎搞的因子强，但回测和实盘是两码事，大家冷静。预测能力和赚钱能力中间隔着一整条量化链路：预测信号→Alpha因子→横截面选股→组合优化→风险控制→交易执行→净收益，每一步都可能衰减。

KMartin_771

—

看到有人说和MACD差不多我就笑了，你拿一个120亿条数据预训练的基础模型跟一个几十年前的指标比，本身就是对Kronos的侮辱。但它也确实不是圣杯，千万别all in。作为因子来源很优秀，但别当交易信号直接用。

psnjq

—

GitHub 30k star全是量化圈的人点的，说明大家对这个方向很期待。但坦诚讲，现阶段用它做因子筛选比做直接预测靠谱得多。我把它当因子生成器用，加入现有策略后超额收益确实有提升，这就够了，别期待更多。

DorothyMorganSr

—

搞了一晚上终于把Kronos挂在Qlib上跑通了，微调A股数据的过程比我想象中简单，finetune目录给了完整pipeline。但README里那些AI生成的注释确实有坑，建议用前仔细读一下文档，别直接照着跑。

Jessica_Thompson

—

清华这个团队确实有东西，能把Transformer搬到K线上还入选AAAI顶会。不过零样本没那么神，A股有涨跌停限制，不做微调效果打折扣。建议先用A股数据跑一遍微调流程再做预测，这样效果会好很多。...

烟雨_8

—

BTC/USDT的Live Demo我盯了一整天，走势方向判断还行但具体点位偏差挺大。当辅助参考可以全信就完了。demo版模型版本可能滞后，正经研究建议本地部署，跑起来也不难，值得一试。........

JEsch

—

Kronos最大的价值可能不是预测股价，而是提供了一个金融领域的开源基础模型。未来基于它的应用层创新才是真正值得期待的东西。这让我想起ChatGPT刚出的时候，大家惊叹方向对了。............

SAlvarez

—

我把它当因子生成器用，输出预测方向作为特征加入现有策略，超额收益确实有提升。但单独用它做策略择时夏普比率惨不忍睹。Kronos证明了第一步，但评论区想看最后一步，中间的gap还很大。..........

ZDiaz37

—

说实话有点失望，预期拉太高了。跑了一圈发现波动率预测MAE确实低9%，但对我做日内交易帮助有限，我更需要精确的进场时机。也许更适合中低频策略的策略研究吧。........................

Joshua.Thomas_2021

—

在V2EX发了贴分享把Kronos接入A股量化工作流的经验，花了一个下午在CPU上跑通了预测。实测下来，对财报前后的走势预测基本失效，基本面事件它完全读不到。......................

JBarnes_8883

—

The tokenizer design is the real innovation here. Binary Spherical Quantization for financial data makes so much sense. General TSFMs treat OHLCV like any other time series which is just wrong for financial data patterns.

21ku65o4o6

—

Ship or Skip上评分50/50，说明社区也很纠结。技术上确实牛但研究级和生产级之间的鸿沟不是一朝一夕能填平的。期待后续有更多工程化的工作把这个gap补上让更多人能用起来。...........

Dylan_GreenQ

—

跑了一下A股数据发现pre-trained权重对美股和crypto效果最好对A股需要微调。毕竟是45个交易所混合训练的，A股的制度特征比如T+1、涨跌停这些模型没有学到建议A股用户一定做微调再用。...

purplesnake184

—

I integrated Kronos-mini into my screener at 10% weight alongside nine other signals. The fallback to EMA5/EMA20 momentum when the model fails to load is a nice engineering pattern for production use.

Jesse_Reed_2024

—

AAAI接收后会有大量follow-up工作，这个方向才刚起步。现在入局学习是好时机。

Nathan_Mitchell_Pro70

—

BTC的实时Demo界面简洁，但正经研究还是得本地部署。作为快速了解的入口不错。

剑客_20

—

A股政策市属性无法被纯价格数据捕捉，但这不全是Kronos的问题。

TeresaHughes_Max

—

Kronos-large要4GB显存，建议base版就够了，large边际收益递减。

sATURNsWAPcHAVEZ

—

量化圈评价两极分化。做研究的觉得是里程碑，做实盘的觉得噱头大于实用。

ACox_2023

—

GitHub Issues有人说用Kronos预测财报前后走势基本失效。金融模型不是魔法。

CHOKM0F

—

代码质量不错，PyTorch原生实现，BSQ分词器实现值得反复研读。

郑磊

—

K线即语言这个类比太妙了。每根K线记录的是市场参与者的贪婪和恐惧。

SHicksQ_476

—

跑了一周模拟盘：作为特征工程工具5星，作为交易信号发生器2星。

redsnake107

—

不会All in。金融市场是复杂适应系统，Kronos是工具箱里的一把新工具。

David_WrightZ

—

MIT协议+AAAI顶会+120亿条数据，比那些割韭菜的项目强太多了。

TAmor

—

API风格和HuggingFace一致，上手成本低。但数据清洗花了我一上午。

蝴蝶651

—

项目确实良心，MIT协议全开源，四个模型尺寸任选，这点比那些挂羊头卖狗肉的项目强一万倍。

RussellFisherK

—

散户友好度确实高，pip install就完事了。但门槛低了用的人多了，alpha也就消失了。

Kronos

深度报告

用户评论

同类产品