← 블로그로
Ai약 12 분 읽기

Kronos는 캔들로 학습한 410만 파라미터 모델입니다. 작다는 점이 논점입니다.

게시일 2026년 11월 7일
Kronos는 캔들로 학습한 410만 파라미터 모델입니다. 작다는 점이 논점입니다.

7530억 개 파라미터 과학 모델과 3970억 개 파라미터 데스크톱 에이전트가 같은 주에 나온 가운데, GitHub 트렌딩에서 금융 카테고리로 가장 빠르게 올라가는 리포지토리의 파라미터 수는 410만 개입니다.

shiyu-coder가 만든 Kronos는 금융 캔들스틱을 위한 최초의 오픈소스 파운데이션 모델이라고 스스로 소개합니다. 45개가 넘는 글로벌 거래소 데이터로 학습했고, MIT 라이선스이며, AAAI 2026에 채택되었습니다. 리포지토리는 스타 47,000개이고 이번 주에 약 3,000개를 더 얻었습니다. 마지막 커밋이 4월이었던 프로젝트로는 이상한 일입니다.

이 스타 수는 생각해 볼 만합니다. 프런티어 릴리스가 제공하지 않는 것, 사람들이 지금 AI에 실제로 원하는 것이 거기 드러나기 때문입니다.

무엇을 하는가

전제는 K라인(K-line) 차트가 언어이고, 언어는 토큰화될 수 있다는 것입니다.

Kronos는 두 단계로 동작합니다. tokenizer가 연속적이고 다차원적인 캔들 데이터, 즉 시가, 고가, 저가, 종가와 선택적으로 거래량과 거래대금을 계층적 이산 token으로 양자화합니다. 그다음 decoder-only Transformer가 그 token들로 자기회귀적으로 사전학습됩니다. 언어 모델이 단어로 사전학습되는 방식과 정확히 같습니다.

회색 종이 위에 높낮이가 다른 짧은 놋쇠 막대가 한 줄로 서 있다. 따뜻하고 낮은 빛.

이 설계 선택이 베팅의 전부입니다. 일반적인 시계열 파운데이션 모델은 시계열을 숫자로 보고 다음 값을 회귀하는 법을 배웁니다. Kronos는 캔들을 기호로 보고 다음 기호의 분포를 배웁니다. 두 번째 틀은 샘플링을 가능하게 하고, 이는 점 추정 대신 미래의 분포를 얻는다는 뜻이며, 언어 모델링이 8년 동안 쌓아온 도구 전체를 빌려올 수 있게 합니다.

어려운 일을 하는 것은 tokenizer입니다. 캔들에는 서로 독립이 아닌 다섯 개의 숫자가 있습니다. 고가는 항상 시가, 종가, 저가보다 위에 있고, 저가는 항상 그 아래에 있으며, 거래량은 가격 범위와 상관되는데 그 방식은 종목마다 달라집니다. 그 관계를 깨지 않고 이산 기호로 양자화하는 것이 논문 한 편이 필요했던 부분입니다.

모델 zoo는 이상할 만큼 정직합니다

네 가지 크기, 그중 셋이 공개.

Kronos-mini는 410만 개 파라미터에 2,048 token 컨텍스트입니다. Kronos-small은 2,470만 개, Kronos-base는 1억 230만 개이며 둘 다 512 token 컨텍스트와 공유 tokenizer를 씁니다. Kronos-large는 4억 9,920만 개이고 공개되지 않았습니다.

작은 모델을 공개하고 큰 모델을 감추는 것은 방어 가능한 입장이고 점점 흔해지고 있습니다. 연구자에게는 재현할 것을 주고 저자에게는 상업적 우위를 줍니다. 동시에 구할 수 있는 최선의 오픈 체크포인트가 1억 230만 개 파라미터 모델이라는 뜻이고, 이는 대부분의 휴대폰 키보드보다 작습니다.

컨텍스트 길이는 주목할 만합니다. 모델이 볼 수 있는 범위를 정하기 때문입니다. 512개 봉은 많지 않습니다. 5분봉이면 약 42시간으로 두 거래일이 안 됩니다. 일봉이면 약 2년이고 이쪽이 더 합리적입니다. 전략이 1시간봉으로 한 분기에 걸쳐 펼쳐지는 패턴에 의존한다면, 이 모델은 한 번의 패스로 그것을 표현할 수 없습니다.

실행하는 법

Python 3.10 이상, 그다음 pip install -r requirements.txt. 가중치는 Hugging Face의 NeoQuasar 조직에서 받습니다.

인터페이스는 네 줄입니다.

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)

DataFrame에는 open, high, low, close 컬럼이 필요하고 volume과 amount는 선택입니다. 과거 타임스탬프의 Series와 미래 타임스탬프의 Series를 넘기면 predictor가 정규화, 예측, 역정규화를 처리합니다. 컨텍스트 윈도보다 긴 입력은 자동으로 잘라냅니다. 편리하지만 조용히 정보를 잃는 방법이기도 하니 lookback을 확인하십시오.

리포지토리에는 파인튜닝 스크립트가 있고, 표준 경로용 하나와 CSV에서 읽는 하나, 그리고 웹 UI와 예제 모음이 있습니다. 대부분의 연구 릴리스보다 완성도가 높고, 스타를 계속 끌어모으는 이유의 일부입니다.

계층적 token이 주는 것

tokenizer 설명에 있는 계층적이라는 말은 실제로 일을 하고 있고, 대부분의 사람이 건너뛰는 부분입니다.

평평한 tokenizer는 캔들을 수천 개짜리 코드북에서 하나의 기호로 양자화합니다. 다섯 개 숫자를 하나의 인덱스로 압축하고 그들 사이의 관계는 번집니다. 계층적 tokenizer는 일을 나눕니다. 거친 token이 캔들의 대략적 모양과 최근 범위에 대한 위치를 잡고, 세밀한 token이 잔차를 잡습니다. 대략, 화음을 A 마이너라고 설명하는 것과 A 마이너인데 베이스에 증4도가 있다고 설명하는 것의 차이입니다.

하류에서 중요한 것은 생성 품질입니다. 모델이 거친 token을 샘플링할 때는 이미 캔들 공간의 어떤 영역에 확정한 상태입니다. 세밀한 token은 그 영역 안의 어디인지만 정하면 됩니다. 샘플링된 시퀀스는 훨씬 오래 그럴듯하게 유지되고, 그럴듯한 먼 지평이 자기회귀 가격 모델의 목적 전부입니다.

tokenizer를 재사용 가능하게 만들기도 합니다. Kronos-small과 Kronos-base가 tokenizer 하나를 공유하므로, 작은 모델을 파인튜닝하고 나중에 base로 올리는 팀은 데이터 파이프라인을 다시 만들 필요가 없습니다.

데모는 경고이자 힌트입니다

공식 라이브 데모는 BTC/USDT의 향후 24시간을 예측합니다.

45개 거래소로 학습한 모델에게는 이상한 선택이고, 데모로는 옳은 선택입니다. 암호화폐는 연속으로 거래되므로 시장 세션을 골랐다고 비난받을 수 없습니다. 동시에 가능한 가장 어려운 시험이기도 합니다. 24시간 암호화폐 가격은 랜덤워크에 가깝고, 그 위에서 일주일 잘 보이는 모델은 다음 주에 나빠 보일 것이기 때문입니다.

이 범주의 전체에서 기억할 점입니다. 가격 시계열의 파운데이션 모델은 진짜로 유용하면서도 무엇을 사야 하는지는 알려주지 않을 수 있습니다. 유용한 응용은 하류에 있고 구체적입니다. 데이터 피드의 구멍을 메우기, 리스크 시뮬레이션을 위한 그럴듯한 시나리오 생성, 시계열이 과거와 다른 행동을 시작했는지 탐지, 해당 종목에 통계적으로 있을 법하지 않은 캔들 모양 구간 표시. 어느 것도 방향 예측을 요구하지 않습니다.

사람을 죽이는 응용은 뻔한 것입니다. Kronos에서 미래 1,000개를 샘플링했는데 60퍼센트가 위로 흐르면, 그것은 모델의 학습 분포에 대한 진술이지 내일에 대한 진술이 아닙니다. 자기회귀 모델은 본 패턴을 이어가는 데 매우 능하고, 금융 시장은 패턴이 계속되리라 충분한 자본이 배치된 바로 그때 패턴을 끝내는 습관이 있습니다.

왜 작은 모델이 지금 뜨는가

그럴듯한 이유 세 가지이고, 서로 배타적이지 않습니다.

첫째는 비용입니다. 1억 230만 개 파라미터 모델은 노트북에서 돕니다. GPU 예약 없이 오후 하나로 피처 파이프라인을 반복할 수 있고, 퀀트 연구의 피드백 루프는 영상 생성의 피드백 루프와 같은 문제입니다. 도구가 느리면 사람이 조심스러워집니다.

둘째는 프런티어가 이상해졌다는 것입니다. 서빙에 데이터센터가 필요한 조 단위 파라미터 모델, 데스크톱을 조작하는 에이전트, 초당 15프레임으로 스트리밍되는 월드 모델. 좁은 질문 하나를 자기 기계에서 답하는 모델은 안도입니다.

셋째는 라이선스입니다. MIT, 가중치는 Hugging Face, 파인튜닝 스크립트 포함, 지역 제한 없음, 매출 기준 없음. 자기 종목에서 캔들 토큰화가 통하는지 시험하려는 퀀트 팀에게는 시도하지 않을 이유가 전부 사라집니다.

이 접근이 버티는지는 경험적 질문이고, 리포지토리가 결론을 내는 것은 아닙니다. 모델 zoo와 데모를 공개했고, AAAI 채택은 방법이 동료 심사를 통과했다는 뜻이지, 당신의 데이터에서 잘 튜닝한 그래디언트 부스팅 모델을 이긴다는 뜻이 아닙니다. 정직한 시험은 자기 종목에서, 이미 신뢰하는 베이스라인에 대고, 거래 비용을 넣은 워크포워드 평가입니다.

그 시험은 주말 하나가 듭니다. 모델은 무료입니다. 그 비율이 스타가 오른 이유입니다.

관련 글