GitHub Trending 上最近有个项目 stars 疯涨——Kronos，30k stars，清华团队出品，AAAI 2026 入选。
它做的事情很简单：用 45 家全球交易所的 120 亿条真实 K 线数据，从零训练了一个金融基础模型。不是拿通用大模型改的，是专门为 K 线"语言"设计的。
图注：Kronos 两阶段架构——先将 K 线数据量化为层级 token，再用自回归 Transformer 预测
一句话说就是：给它一堆历史 K 线，它直接告诉你下一根长什么样。
Kronos 和传统量化有什么不同
传统量化交易分两条路：
第一条路：自己写策略。 双均线、MACD、布林带，回测跑得漂亮，实盘一塌糊涂。大部分人都卡在这一步——策略拟合了历史，但预测不了未来。
第二条路：用机器学习。 LSTM、Transformer、XGBoost，特征工程搞半天，过拟合风险大，换个品种就废了。
Kronos 走的是第三条路：预训练 + 零样本。 就像 GPT 不需要你教它语法就能写文章，Kronos 不需要你写策略就能预测 K 线。它学的是 K 线本身的"语言模式"，而不是某个特定策略的逻辑。
模型家族
Kronos 开源了三个版本：
| 模型 | 参数量 | Context | 适用场景 |
|---|---|---|---|
| Kronos-mini | 4.1M | 2048 | 试试看、学习用 |
| Kronos-small | 24.7M | 512 | 日常研究 |
| Kronos-base | 102.3M | 512 | 认真做量化 |
最小的 4.1M 参数，任何电脑都能跑。 102M 的 base 版本也不大，普通笔记本毫无压力。
技术架构：两阶段框架
Kronos 的核心创新在于两个阶段的设计：
第一阶段：K-line Tokenizer。 把连续的 OHLCV 数据（开盘价、最高价、最低价、收盘价、成交量）量化成离散 token。这个 tokenizer 是层级的——先编码价格变化方向，再编码变化幅度。
第二阶段：自回归 Transformer。 在 token 上预训练，预测下一根 K 线的 token 序列。和 GPT 预测下一个词的逻辑一样。
这个设计的巧妙之处在于：金融数据噪声极大，直接用连续值训练效果很差。 先量化成 token，相当于给模型加了一层降噪。
几行代码跑起来
安装：
pip install -r requirements.txt
预测：
from model import Kronos, KronosTokenizer, KronosPredictor
# 加载模型（首次会从 HuggingFace 下载）
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-base")
predictor = KronosPredictor(model, tokenizer)
# 输入：DataFrame，列包含 open, high, low, close, volume
# 输出：未来 N 根 K 线的 OHLCV 预测
就这么简单。不需要写策略，不需要调参数，不需要特征工程。喂数据，出预测。
官方还提供了一个 Live Demo，可以直接看 BTC/USDT 的 24 小时预测结果。（ https://shiyu-coder.github.io/Kronos-demo/）
跑分：比主流模型准 93%？
官方数据：Zero-shot RankIC 比主流时序模型高 93%，比顶尖非预训练模型高 87%。
这个数字看着不错，但也要注意几点：
1. Zero-shot 意味着没有针对任何特定品种微调。 这是它的优势，也是它的局限——通用性强，但针对性弱。
2. RankIC 是排序指标。 模型能判断"涨还是跌"，不代表能判断"涨多少"。
3. 回测 ≠ 实盘。 任何量化模型都有这个问题，Kronos 也不例外。
需要强调的是：模型只能帮你做研究，但不能替你做决策。
如果你想直接上手试 A 股，GitHub 上已经有了中文实战指南：
Vincentwei1021/kronos-guide-cn（https://github.com/Vincentwei1021/kronos-guide-cn） — 覆盖数据获取、预测实战、微调教程、回测集成。
作者：reon.w
来源：长庚集