← Voltar ao blog
Aicerca de 8 min de leitura

Kronos: 4,1 milhões de parâmetros em candles. O tamanho pequeno é o argumento.

Publicado 7 de nov. de 2026
Kronos: 4,1 milhões de parâmetros em candles. O tamanho pequeno é o argumento.

Numa semana em que saíram um modelo científico de 753 bilhões de parâmetros e um agente de desktop de 397 bilhões de parâmetros, o repositório que sobe mais rápido na categoria de finanças do trending do GitHub tem 4,1 milhões de parâmetros.

O Kronos, de shiyu-coder, se apresenta como o primeiro modelo de fundação open source para candles financeiros. Foi treinado com dados de mais de 45 bolsas globais, tem licença MIT e foi aceito na AAAI 2026. O repositório tem 47.000 estrelas e ganhou cerca de 3.000 nesta semana, o que é estranho para um projeto cujo último commit foi em abril.

Vale pensar nessas estrelas, porque elas dizem algo sobre o que as pessoas realmente querem da IA agora e que os lançamentos de fronteira não entregam.

O que ele faz

A premissa é que um gráfico de candles (K-line) é uma linguagem, e linguagens podem ser tokenizadas.

O Kronos funciona em duas etapas. Um tokenizer pega os dados contínuos e multidimensionais do candle — abertura, máxima, mínima, fechamento e, opcionalmente, volume e financeiro — e os quantiza em tokens discretos hierárquicos. Um Transformer decoder-only é então pré-treinado de forma autoregressiva nesses tokens, exatamente como um modelo de linguagem é pré-treinado em palavras.

Uma fileira de hastes curtas de latão de alturas diferentes em pé sobre papel cinza, em luz quente e baixa.

Essa escolha de projeto é toda a aposta. Um modelo de fundação genérico para séries temporais costuma tratar a série como números e aprender a regredir o próximo valor. O Kronos trata um candle como símbolo e aprende a distribuição sobre o próximo símbolo. O segundo enquadramento permite amostrar, ou seja, você tem um leque de futuros em vez de uma estimativa pontual, e permite emprestar todo o ferramental que a modelagem de linguagem acumulou em oito anos.

Quem faz o trabalho duro é o tokenizer. Um candle tem cinco números que não são independentes: a máxima está sempre acima da abertura, do fechamento e da mínima; a mínima sempre abaixo; o volume correlaciona com a amplitude de formas que mudam conforme o instrumento. Quantizar isso em símbolos discretos sem destruir as relações é a parte que custou um paper.

O zoo de modelos é incomumente honesto

Quatro tamanhos, três deles abertos.

O Kronos-mini tem 4,1 milhões de parâmetros com contexto de 2.048 tokens. O Kronos-small tem 24,7 milhões e o Kronos-base tem 102,3 milhões, ambos com contexto de 512 tokens e um tokenizer compartilhado. O Kronos-large tem 499,2 milhões e não foi liberado.

Publicar os modelos pequenos e segurar o grande é uma posição defensável e cada vez mais comum. Dá aos pesquisadores algo para reproduzir e aos autores uma vantagem comercial. Também significa que o melhor checkpoint aberto disponível é um modelo de 102,3 milhões de parâmetros, menor que a maioria dos teclados de celular.

Os comprimentos de contexto merecem atenção porque limitam o que o modelo consegue ver. 512 barras não é muita coisa. Em intervalos de cinco minutos são cerca de 42 horas, menos de dois pregões. Em barras diárias são uns dois anos, o que é mais razoável. Se a sua estratégia depende de padrões que se desenrolam ao longo de um trimestre em candles horários, este modelo não consegue representá-los em uma passada.

Como rodar

Python 3.10 ou mais novo, depois pip install -r requirements.txt. Os pesos vêm do Hugging Face, sob a organização NeoQuasar.

A interface são quatro linhas.

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)

Seu DataFrame precisa das colunas open, high, low e close, com volume e amount opcionais. Você passa uma Series de timestamps históricos e uma Series de timestamps futuros, e o predictor cuida da normalização, da previsão e da desnormalização. Ele trunca automaticamente entradas mais longas que a janela de contexto, o que é conveniente e também uma forma silenciosa de perder informação, então confira seu lookback.

No repositório há scripts de fine-tuning, um para o caminho padrão e outro que lê de CSV, além de uma interface web e um conjunto de exemplos. É mais completo que a maioria dos lançamentos de pesquisa, e parte do motivo de continuar atraindo estrelas.

O que os tokens hierárquicos entregam

A palavra hierárquico na descrição do tokenizer faz trabalho de verdade, e é a parte que a maioria das pessoas pula.

Um tokenizer plano quantizaria um candle em um símbolo de um codebook de alguns milhares. Isso comprime os cinco números em um índice, e as relações entre eles se borram. Um tokenizer hierárquico divide o trabalho: um token grosso captura a forma geral do candle e sua posição em relação à amplitude recente, e tokens mais finos capturam o resíduo. Mais ou menos, é a diferença entre descrever um acorde como lá menor e descrevê-lo como lá menor com uma quarta aumentada no baixo.

O que importa lá na frente é a qualidade da geração. Quando o modelo amostra um token grosso, ele já se comprometeu com uma região do espaço dos candles. Os tokens finos só precisam decidir onde dentro dessa região. As sequências amostradas continuam plausíveis por muito mais tempo, e horizontes distantes plausíveis são o ponto inteiro de um modelo de preço autoregressivo.

Também torna o tokenizer reutilizável. Kronos-small e Kronos-base compartilham um tokenizer, então um time que faz fine-tuning do modelo pequeno e depois sobe para o base não precisa reconstruir o pipeline de dados.

A demo é um aviso e uma dica

A demo oficial ao vivo projeta o par BTC/USDT para as próximas 24 horas.

É uma escolha estranha para um modelo treinado em 45 bolsas, e é a escolha certa para uma demo. Cripto negocia continuamente, então ninguém pode te acusar de escolher uma sessão de mercado. Também é o teste mais difícil possível, porque preços de cripto em 24 horas ficam perto de um passeio aleatório e qualquer modelo que pareça bom neles por uma semana vai parecer ruim na semana seguinte.

É o que vale ter em mente sobre a categoria inteira. Um modelo de fundação para séries de preço pode ser genuinamente útil e ainda assim não dizer o que comprar. As aplicações úteis estão lá na frente e são específicas: preencher buracos em um feed de dados, gerar cenários plausíveis para simulação de risco, detectar quando uma série começou a se comportar diferente da sua história, sinalizar um trecho em que as formas dos candles são estatisticamente improváveis para aquele instrumento. Nenhuma delas exige que o modelo preveja direção.

A aplicação que mata gente é a óbvia. Se você amostra mil futuros do Kronos e 60 por cento deles deriva para cima, isso é uma afirmação sobre a distribuição de treino do modelo, não sobre amanhã. Modelos autoregressivos são muito bons em continuar o padrão que viram, e mercados financeiros têm o hábito de encerrar padrões exatamente quando há capital suficiente posicionado para que continuem.

Por que um modelo pequeno está em alta agora

Três razões plausíveis, e elas não são excludentes.

A primeira é custo. Um modelo de 102,3 milhões de parâmetros roda num notebook. Você itera num pipeline de features numa tarde sem reservar GPU, e o ciclo de feedback da pesquisa quantitativa é o mesmo problema do ciclo de feedback da geração de vídeo: ferramentas lentas deixam as pessoas cautelosas.

A segunda é que a fronteira ficou estranha. Modelos de trilhões de parâmetros que precisam de um data center para servir, agentes que operam seu desktop, modelos de mundo que fazem streaming a 15 quadros por segundo. Um modelo que responde uma pergunta estreita na sua própria máquina é um alívio.

A terceira é a licença. MIT, pesos no Hugging Face, scripts de fine-tuning incluídos, sem exclusão territorial, sem limite de receita. Para um time quant que quer testar se a tokenização de candles funciona no próprio instrumento, isso remove toda razão para não tentar.

Se a abordagem se sustenta é uma pergunta empírica que o repositório não resolve. Ele publica um zoo de modelos e uma demo, e a aceitação na AAAI diz que o método passou por peer review, o que não é o mesmo que dizer que ele vence um modelo de gradient boosting bem ajustado nos seus dados. O teste honesto é uma avaliação walk-forward no seu próprio instrumento contra o baseline em que você já confia, com custos de transação incluídos.

Esse teste custa um fim de semana. O modelo não custa nada. Essa proporção é o motivo de as estrelas terem subido.

Artigos relacionados