在 2026 年的 A 股市场，我们不仅在与人博弈，更是在与‘时间序列’背后的幽灵共舞。站在 2026 年这个节点，老派的技术分析正面临前所未有的生存危机。随着全面注册制的深化和超高频量化算法的普及，传统的 MACD 、KDJ 甚至曾经被奉为神谕的“仙人指路”形态，似乎都在被某种无形的力量精准收割。当市场陷入“量价迷雾”，散户与大户的博弈已不再仅仅体现在盘口的挂单上，而变成了算力与逻辑的终极赛跑。最近看到 Kronos 金融模型，我决定尝试将 Kronos 接入我的 A 股量化工作流。 首先介绍一下 Kronos 。Kronos 是一个专为金融市场"语言"——K 线序列预训练的 decoder-only 基础模型系列。与通用时间序列预测模型（ TSFM ）不同，Kronos 专门设计用于处理金融数据独特的高噪声特性。它采用创新的两阶段框架：专用分词器首先将连续的多维 K 线数据（ OHLCV ）量化为分层离散令牌。随后基于这些令牌预训练大型自回归 Transformer ，使其成为适用于多种量化任务的统一模型。 我花了半天的时间在本地使用 Kronos 模型和 qlib 数据，在 CPU 上预测未来交易日的 K 线走势，并输出：K 线图（单图，上预测下真实）。 脚本支持两类模型输入：Kronos 官方模型目录和普通 PyTorch 模型文件

项目目录格式：

├── kronos_qlib_predict.py
├── README.md
├── qlib_data/
├── model/
├── tokenizer/
└── Kronos/

目录说明：

model/：本地 Kronos 模型目录
tokenizer/：本地 Kronos tokenizer 目录
Kronos/：官方源码仓库，用于提供 model.py

本地环境要求：

CPU 环境即可
已安装本地 qlib 数据
下载模型和 tokenizer

下载 Kronos 模型，推荐使用 Hugging Face Hub 的整仓下载，而不是手动拷贝单个文件：

python -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='NeoQuasar/Kronos-base', local_dir='/Users/fighteryu/Downloads/kronos_demo/model', local_dir_use_symlinks=False)"

下载 tokenizer

模型目录中至少应包含：

model.safetensors 或其他*.safetensors
tokenizer 目录中应包含 tokenizer 所需配置和词表文件。

下载官方 Kronos 源码

当前脚本在加载 Kronos 官方模型时，会使用：

from model import Kronos, KronosTokenizer, KronosPredictor

因此需要本地存在官方代码仓库：

git clone https://github.com/shiyu-coder/Kronos.git

运行脚本时，需要把 Kronos 仓库加入 PYTHONPATH：

标准运行方法

 --provider-uri ~/Downloads/kronos_demo/qlib_data \
 --instrument sh600519 \
 --start 2023-01-01 \
 --end 2024-12-31 \
 --model-path ~/Downloads/kronos_demo/model \
 --tokenizer-path ~/Downloads/kronos_demo/tokenizer \
 --window 64 \
 --horizon 5 \
 --seed 40 \
 --out ~/Downloads/kronos_demo/kronos_pred.csv \
 --chart-out ~/Downloads/kronos_demo/kronos_pred.png

执行预测 K 线结果输出 K 线图 股票价格参数会输出到表格中，终端输出如下图 如果是预测的历史的交易数据，生成的图片会展示预测 K 线和实际 K 线，我们可以从图上直观的看到预测和实际 K 线的差别 参数搜索（自动回测）

如果你要自动找更优参数（ window / T / top_p / sample_count ），可以使用--tune：

 --provider-uri ~/Downloads/kronos_demo/qlib_data \
 --instrument sh600519 \
 --start 2021-01-01 \
 --end 2024-12-31 \
 --model-path ~/Downloads/kronos_demo/model \
 --tokenizer-path ~/Downloads/kronos_demo/tokenizer \
 --horizon 5 \
 --seed 40 \
 --tune \
 --grid-window 64,128,256,384 \
 --grid-temp 1.0,0.9,0.7 \
 --grid-top-p 0.95,0.9,0.8 \
 --grid-sample-count 1,5,10 \
 --tune-stride 5 \
 --tune-max-windows 120 \
 --tune-out ~/Downloads/kronos_demo/kronos_tune_scores.csv

说明：

会在历史区间做滚动回测

评分指标为 close 的 MAE / RMSE / MAPE

结果会保存到--tune-out

程序会打印 RMSE(close)最优参数组合

如何提高预测的数据准确率？提升准确率最有效的是这几件事（按优先级）：

先做可复现评估再调参：固定--seed ，固定回测区间，按滚动窗口评估 MAE/RMSE/MAPE ，先建立 baseline 。

调 window （最关键）：别只用 64 ，建议网格 64/128/256/384/512 ； Kronos-base 上下文上限通常 512 。

调采样参数，随机性较强。要更稳可试：

按标的做独立最优参数：不同股票波动结构差异大，参数不应一套通吃。

数据质量优先：确认 qlib 数据无缺失/异常点，factor 处理一致，避免未来数据泄漏。

分市场/分周期建模：A 股、港股、美股混在一起直接推理常会降精度；不同频率（日线/5min ）也要分开调。

引入真实交易日历：你现在未来日期用 B ，与真实交易日可能不完全一致，建议用交易所日历生成预测日期，减少时间错位误差。

如果允许训练：做微调（提升最大）：用你的目标标的/行业数据做轻量 finetune ，通常比纯 zero-shot 提升明显。

给你一个最实用的执行顺序（ 1 天内可做）：

固定 seed + 固定评估集

跑 window 网格

在最佳 window 上调 T/top_p/sample_count

输出每组参数的 MAE/RMSE 表，选最优

再考虑是否 finetune

如果大家对我的话题感兴趣的话可以👍➕关注哦！

原文转载自：Kronos 入场：当 AI 进化到可以“画出”明天的 K 线