← Torna al blog
Aicirca 7 min di lettura

Kronos: 4,1 milioni di parametri sulle candele. La dimensione piccola è l'argomento.

Pubblicato 7 nov 2026
Kronos: 4,1 milioni di parametri sulle candele. La dimensione piccola è l'argomento.

In una settimana in cui sono usciti un modello scientifico da 753 miliardi di parametri e un agente desktop da 397 miliardi di parametri, il repository che sale più in fretta nella categoria finanza del trending di GitHub ha 4,1 milioni di parametri.

Kronos, di shiyu-coder, si presenta come il primo modello fondazionale open source per le candele finanziarie. È stato addestrato su dati di oltre 45 borse globali, è con licenza MIT ed è stato accettato ad AAAI 2026. Il repository ha 47.000 stelle e ne ha guadagnate circa 3.000 questa settimana, il che è strano per un progetto il cui ultimo commit è di aprile.

Vale la pena pensare a queste stelle, perché dicono qualcosa su ciò che le persone vogliono davvero dall'IA adesso e che le uscite di frontiera non offrono.

Cosa fa

La premessa è che un grafico a candele (K-line) è una lingua, e le lingue si possono tokenizzare.

Kronos lavora in due fasi. Un tokenizer prende i dati continui e multidimensionali della candela — apertura, massimo, minimo, chiusura, e opzionalmente volume e controvalore — e li quantizza in token discreti gerarchici. Poi un Transformer decoder-only viene preaddestrato in modo autoregressivo su quei token, esattamente come un modello linguistico viene preaddestrato sulle parole.

Una fila di corte bacchette di ottone di altezze diverse in piedi su carta grigia, in una luce calda e bassa.

Questa scelta di progetto è tutta la scommessa. Un modello fondazionale generale per serie temporali di solito tratta la serie come numeri e impara a regredire il valore successivo. Kronos tratta una candela come un simbolo e impara la distribuzione sul simbolo successivo. La seconda impostazione permette di campionare, quindi di ottenere un ventaglio di futuri invece di una stima puntuale, e permette di prendere in prestito l'intero armamentario che il language modeling ha costruito in otto anni.

È il tokenizer che fa il lavoro difficile. Una candela ha cinque numeri che non sono indipendenti: il massimo è sempre sopra apertura, chiusura e minimo; il minimo sempre sotto; il volume correla con l'ampiezza in modi che cambiano da strumento a strumento. Quantizzare tutto questo in simboli discreti senza distruggere le relazioni è la parte che è costata un paper.

Lo zoo di modelli è insolitamente onesto

Quattro taglie, tre delle quali aperte.

Kronos-mini ha 4,1 milioni di parametri con un contesto di 2.048 token. Kronos-small ne ha 24,7 milioni e Kronos-base 102,3 milioni, entrambi con contesto di 512 token e un tokenizer condiviso. Kronos-large ne ha 499,2 milioni e non è rilasciato.

Pubblicare i modelli piccoli e trattenere il grande è una posizione difendibile e sempre più comune. Dà ai ricercatori qualcosa da riprodurre e agli autori un vantaggio commerciale. Significa anche che il miglior checkpoint aperto disponibile è un modello da 102,3 milioni di parametri, più piccolo della maggior parte delle tastiere dei telefoni.

Le lunghezze di contesto meritano attenzione perché delimitano ciò che il modello può vedere. 512 barre non sono molte. A intervalli di cinque minuti sono circa 42 ore, meno di due sedute. Su barre giornaliere sono circa due anni, il che è più ragionevole. Se la tua strategia dipende da pattern che si sviluppano su un trimestre in candele orarie, questo modello non può rappresentarli in una sola passata.

Come eseguirlo

Python 3.10 o superiore, poi pip install -r requirements.txt. I pesi arrivano da Hugging Face, sotto l'organizzazione NeoQuasar.

L'interfaccia sono quattro righe.

tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)
pred_df = predictor.predict(df=x_df, x_timestamp=x_timestamp,
                            y_timestamp=y_timestamp, pred_len=120)

Il tuo DataFrame ha bisogno delle colonne open, high, low e close, con volume e amount opzionali. Passi una Series di timestamp storici e una Series di timestamp futuri, e il predictor gestisce normalizzazione, previsione e denormalizzazione. Tronca automaticamente gli input più lunghi della finestra di contesto, il che è comodo e anche un modo silenzioso di perdere informazione, quindi controlla il tuo lookback.

Nel repo ci sono script di fine-tuning, uno per il percorso standard e uno che legge da CSV, più una web UI e una serie di esempi. È più completo della maggior parte dei rilasci di ricerca, ed è in parte per questo che continua ad attirare stelle.

Cosa ti danno i token gerarchici

La parola gerarchico nella descrizione del tokenizer fa un lavoro vero, ed è la parte che quasi tutti saltano.

Un tokenizer piatto quantizzerebbe una candela in un simbolo da un codebook di qualche migliaio. Comprime i cinque numeri in un indice, e le relazioni tra loro si sfumano. Un tokenizer gerarchico divide il lavoro: un token grosso cattura la forma generale della candela e la sua posizione rispetto all'ampiezza recente, e token più fini catturano il residuo. All'incirca, è la differenza tra descrivere un accordo come la minore e descriverlo come la minore con una quarta aumentata al basso.

Quello che conta a valle è la qualità della generazione. Quando il modello campiona un token grosso, si è già impegnato su una regione dello spazio delle candele. I token fini devono solo decidere dove dentro quella regione. Le sequenze campionate restano plausibili molto più a lungo, e orizzonti lontani plausibili sono tutto il senso di un modello di prezzo autoregressivo.

Rende anche il tokenizer riutilizzabile. Kronos-small e Kronos-base condividono un tokenizer, quindi un team che fa fine-tuning del modello piccolo e poi passa al base non deve ricostruire la pipeline dati.

La demo è un avvertimento e un indizio

La demo live ufficiale prevede la coppia BTC/USDT nelle prossime 24 ore.

È una scelta strana per un modello addestrato su 45 borse, ed è quella giusta per una demo. Le cripto trattano in continuo, quindi nessuno può accusarti di aver scelto una sessione di mercato. È anche il test più difficile possibile, perché i prezzi cripto a 24 ore sono vicini a una passeggiata aleatoria e qualsiasi modello che sembri buono per una settimana sembrerà cattivo la settimana dopo.

È la cosa da tenere a mente su tutta la categoria. Un modello fondazionale per serie di prezzi può essere davvero utile e comunque non dirti cosa comprare. Le applicazioni utili stanno a valle e sono specifiche: riempire buchi in un feed dati, generare scenari plausibili per la simulazione del rischio, rilevare quando una serie ha iniziato a comportarsi diversamente dalla sua storia, segnalare un segmento in cui le forme delle candele sono statisticamente improbabili per quello strumento. Nessuna richiede che il modello preveda la direzione.

L'applicazione che ammazza la gente è quella ovvia. Se campioni mille futuri da Kronos e il 60 per cento va verso l'alto, quella è un'affermazione sulla distribuzione di addestramento del modello, non su domani. I modelli autoregressivi sono molto bravi a continuare il pattern che hanno visto, e i mercati finanziari hanno l'abitudine di chiudere i pattern esattamente quando c'è abbastanza capitale posizionato perché continuino.

Perché un modello piccolo è di tendenza ora

Tre ragioni plausibili, e non si escludono.

La prima è il costo. Un modello da 102,3 milioni di parametri gira su un portatile. Puoi iterare su una pipeline di feature in un pomeriggio senza prenotare una GPU, e il ciclo di feedback della ricerca quantitativa è lo stesso problema del ciclo di feedback della generazione video: gli strumenti lenti rendono le persone prudenti.

La seconda è che la frontiera è diventata strana. Modelli da mille miliardi di parametri che richiedono un data center per essere serviti, agenti che gestiscono il tuo desktop, world model che streammano a 15 fotogrammi al secondo. Un modello che risponde a una domanda stretta sulla tua macchina è un sollievo.

La terza è la licenza. MIT, pesi su Hugging Face, script di fine-tuning inclusi, nessuna esclusione territoriale, nessuna soglia di ricavi. Per un team quant che vuole testare se la tokenizzazione delle candele funziona sul proprio strumento, questo toglie ogni ragione per non provare.

Se l'approccio regga è una domanda empirica che il repository non risolve. Pubblica uno zoo di modelli e una demo, e l'accettazione ad AAAI dice che il metodo è passato la peer review, il che non equivale a dire che batte un modello gradient boosting ben tarato sui tuoi dati. Il test onesto è una valutazione walk-forward sul tuo strumento contro il baseline di cui ti fidi già, con i costi di transazione inclusi.

Quel test costa un fine settimana. Il modello non costa niente. È quel rapporto che ha fatto salire le stelle.

Articoli correlati