Kronos は K 線で学習した 410 万パラメータのモデル。小ささこそが主張です。

7530 億パラメータの科学モデルと 3970 億パラメータのデスクトップエージェントが同じ週に出荷されたなかで、GitHub のトレンドで金融カテゴリを最も速く駆け上がっているリポジトリのパラメータ数は 410 万です。
shiyu-coder による Kronos は、金融の K 線のための最初のオープンソース基盤モデルだと名乗っています。45 を超える世界の取引所のデータで学習され、MIT ライセンスで、AAAI 2026 に採択されました。リポジトリは 47,000 スター、今週だけでおよそ 3,000 増えています。最後のコミットが 4 月だったプロジェクトにしては妙な話です。
このスターは少し考える価値があります。フロンティアのリリースが提供していないものを、いま人々が AI に本当に求めていることが、そこに出ているからです。
何をするのか
前提は、K ライン(K-line)のチャートは言語であり、言語はトークナイズできる、というものです。
Kronos は 2 段階で動きます。トークナイザが連続的で多次元のローソク足データ(始値、高値、安値、終値、任意で出来高と売買代金)を階層的な離散トークンに量子化します。次に decoder-only Transformer がそのトークンで自己回帰的に事前学習されます。言語モデルが単語で事前学習されるのとまったく同じやり方です。

この設計判断が賭けのすべてです。一般的な時系列の基盤モデルは系列を数値として扱い、次の値を回帰することを学びます。Kronos はローソク足を記号として扱い、次の記号の分布を学びます。後者の枠組みではサンプリングができ、点推定ではなく未来の広がりが得られます。8 年かけて言語モデリングが積み上げてきた道具一式を借りることもできます。
難しい仕事をしているのはトークナイザのほうです。ローソク足には独立でない 5 つの数値があります。高値は常に始値、終値、安値より上にあり、安値は常にそれらより下にあり、出来高は値幅と相関しますが、その仕方は銘柄によって変わります。関係を壊さずに離散記号へ量子化するのが、論文 1 本を要した部分です。
モデル zoo は妙に正直です
4 つのサイズ、うち 3 つが公開。
Kronos-mini は 410 万パラメータでコンテキストは 2,048 トークン。Kronos-small は 2,470 万、Kronos-base は 1 億 230 万で、どちらもコンテキスト 512 トークンと共通のトークナイザを持ちます。Kronos-large は 4 億 9,920 万で、公開されていません。
小さいモデルを公開し、大きいモデルを伏せるのは擁護できる立場で、ますます一般的になっています。研究者には再現できるものを与え、著者には商用の優位を与えます。同時に、入手できる最良のオープンなチェックポイントが 1 億 230 万パラメータのモデルだということで、これはほとんどのスマートフォンのキーボードより小さいです。
コンテキスト長は注目に値します。モデルが見られる範囲を決めるからです。512 本は多くありません。5 分足ならおよそ 42 時間で、2 取引日にも届きません。日足ならおよそ 2 年で、こちらのほうが妥当です。四半期にわたって 1 時間足で展開するパターンに戦略が依存しているなら、このモデルは 1 回のパスでそれを表現できません。
動かし方
Python 3.10 以降、そして pip install -r requirements.txt。重みは Hugging Face の NeoQuasar 組織から取得します。
インターフェースは 4 行です。
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)
DataFrame には open、high、low、close の列が必要で、volume と amount は任意です。過去のタイムスタンプの Series と未来のタイムスタンプの Series を渡すと、predictor が正規化、予測、逆正規化を処理します。コンテキスト窓より長い入力は自動で切り詰められます。便利ですが、静かに情報を失う方法でもあるので、ルックバックを確認してください。
リポジトリにはファインチューニングのスクリプトが 2 本、標準の経路用と CSV から読む用があり、加えて Web UI とサンプル一式があります。ほとんどの研究リリースより完成度が高く、スターを集め続ける理由のひとつです。
階層トークンがもたらすもの
トークナイザの説明にある「階層的」という言葉は実際に働いていて、そして多くの人が飛ばしてしまう部分です。
フラットなトークナイザなら、ローソク足を数千語のコードブックから 1 つの記号に量子化します。5 つの数値を 1 つのインデックスに圧縮するので、それらの関係はにじみます。階層的なトークナイザは仕事を分けます。粗いトークンがローソク足のおおまかな形と直近レンジに対する位置を捉え、細かいトークンが残差を捉えます。おおよそ、和音を A マイナーと説明するのと、A マイナーでベースに増 4 度があると説明するほどの違いです。
下流で効くのは生成の質です。モデルが粗いトークンをサンプリングするとき、すでにローソク足空間のある領域に賭けています。細かいトークンはその領域のどこかを決めるだけで済みます。サンプリングされた系列ははるかに長くもっともらしさを保ち、もっともらしい遠い地平が自己回帰的な価格モデルの目的そのものです。
トークナイザを再利用できるようにもします。Kronos-small と Kronos-base は 1 つのトークナイザを共有するので、小さいモデルをファインチューニングし、後から base に上げるチームはデータパイプラインを作り直さずに済みます。
デモは警告であり、ヒントでもあります
公式のライブデモは BTC/USDT の向こう 24 時間を予測します。
45 の取引所で学習したモデルにしては妙な選択で、デモとしては正しい選択です。暗号資産は連続的に取引されるので、市場のセッションを選んだと責められることはありません。同時に可能なかぎり難しいテストでもあります。24 時間の暗号資産価格はランダムウォークに近く、そこで 1 週間よいモデルは翌週には悪く見えるからです。
これがこのカテゴリ全体で覚えておくべきことです。価格系列の基盤モデルは本当に役に立ちながら、何を買うべきかは教えてくれないことがあります。役に立つ用途は下流にあって具体的です。データフィードの欠損を埋める、リスクシミュレーション用のもっともらしいシナリオを作る、系列が履歴と違う振る舞いを始めたことを検出する、その銘柄にとって統計的に不自然なローソク足形状の区間を印す。どれも方向を予測する必要がありません。
人を殺す用途は明白なほうです。Kronos から 1,000 の未来をサンプリングして 60 パーセントが上に流れるなら、それはモデルの学習分布についての言明であって、明日についての言明ではありません。自己回帰モデルは見たパターンを続けるのがとても得意で、金融市場には、パターンが続くのに十分な資本が置かれたまさにそのときにパターンを終わらせる癖があります。
なぜ小型モデルがいま伸びているのか
もっともらしい理由が 3 つあり、互いに排他的ではありません。
1 つ目はコストです。1 億 230 万パラメータのモデルはノート PC で動きます。GPU の予約なしで午後ひとつを使って特徴量パイプラインを反復でき、定量研究のフィードバックループは動画生成のフィードバックループと同じ問題です。遅い道具は人を慎重にします。
2 つ目は、フロンティアが妙になったことです。配信にデータセンターが要る兆パラメータのモデル、デスクトップを操作するエージェント、毎秒 15 フレームで流れるワールドモデル。狭い問いを 1 つ、自分のマシンで答えるモデルは安堵です。
3 つ目はライセンスです。MIT、重みは Hugging Face、ファインチューニングのスクリプト付き、地域の除外なし、売上の閾値なし。自分の銘柄でローソク足のトークン化が効くかを試したいクオンツチームにとって、試さない理由がすべて消えます。
このアプローチが持つかどうかは実証的な問いで、リポジトリが決着をつけるものではありません。モデル zoo とデモを公開していて、AAAI の採択は手法が査読を通ったという意味で、あなたのデータでよく調整した勾配ブースティングのモデルに勝つという意味ではありません。正直なテストは、自分の銘柄で、すでに信頼しているベースラインに対して、取引コストを入れたウォークフォワード評価を行うことです。
そのテストは週末 1 つ分。モデルは無料。その比率がスターが増えた理由です。
関連記事
中国製 Android のシステム UI に載った広告を切る、コミュニティ管理のタップ表
システムには触らず、アンロックも書き込みもしない。ベンダーがもともと用意したスイッチを一つずつ倒すだけだ。代償は、この一覧を書き続ける人が要ることにある。
GPT Image 2.6 はトークン単価を据え置き、請求額を上げた
GPT Image 2.6 は 2.5 のトークン単価をすべて引き継ぎながら、1 枚あたりの費用は上がった。仕事の多くが出力トークン側に移ったからだ。11 日目の価格構造は、ランキングより多くを語る。
外から IDM を作り直した人が、触れなかった部分を書き残した
Mister Download Manager は Internet Download Manager の流れを Rust で作り直し、5 倍の速度と 86 言語を掲げる。より興味深いのは、何もコピーせずにどう作ったのかを説明した段落のほうだ。
Rune はエージェントが自分の仕事を検証できるように作られた Rust UI フレームワーク
Rune はヘッドレスで描画し、要素ツリーを出力し、スクリプト化された入力を受け付ける。スクリーンショットでは決して得られない、diff できる信号をコーディングエージェントに渡せる。フレームワークはプレリリースで、プルリクエストは受け付けない。