← 返回博客
Ai预计阅读 9 分钟

一个 410 万参数的模型,训的是 K 线,而小就是它的论点

发布于 2026年11月7日
一个 410 万参数的模型,训的是 K 线,而小就是它的论点

在一个 7530 亿的科学模型和 3970 亿的桌面智能体同时发布的这一周,GitHub 趋势榜上金融分类里爬得最快的仓库,只有 410 万参数。

这个仓库是 shiyu-coder 的 Kronos,自称是第一个面向金融 K 线的开源基础模型。训练数据来自 45 个以上全球交易所,MIT 协议,被 AAAI 2026 接收。仓库 4.7 万星,这一周涨了约三千,对一个最后一次提交在四月的项目来说有点反常。

这些星值得想一想,因为它们说明了人们现在真正想从 AI 那里得到什么,而前沿发布并不提供。

它做什么

前提是:一张 K 线图是一种语言,语言可以被 token 化。

Kronos 分两段工作。一个 tokenizer 把连续的、多维的 K 线数据,也就是开盘、最高、最低、收盘,可选加成交量和成交额,量化成分层的离散 token。然后一个 decoder-only Transformer 在这些 token 上做自回归预训练,跟语言模型在词上预训练完全一样。

一排高低不一的黄铜短柱立在灰纸上,暖色低光。

这个设计选择就是全部的赌注。通用的时间序列基础模型通常把序列当数字,学回归下一个值。Kronos 把一根 K 线当符号,学下一个符号的分布。第二种框架允许采样,也就是你拿到一片未来而不是一个点估计,而且它能借用语言建模这八年积累下来的整套工具。

tokenizer 在干苦活。一根 K 线有五个不独立的数:最高永远在开盘、收盘、最低之上,最低永远在它们之下,成交量与振幅的相关性还随品种变化。把这种关系量化成离散符号而不毁掉它们,是那篇论文花掉的部分。

分层 token 买到了什么

描述 tokenizer 时「分层」这个词是真在干活,而这也是最多人跳过的部分。

扁平的 tokenizer 会把一根 K 线量化成几千个码本里的一个符号。五个数压成一个索引,它们之间的关系被抹平。分层 tokenizer 把活拆开:粗 token 抓这根线的整体形状和它相对近期区间的位置,细 token 抓残差。大致相当于把和弦描述成「A 小调」和描述成「A 小调,低音有个升四度」。

对下游重要的地方是生成质量。模型采样一个粗 token 时,它已经承诺了 K 线空间里的一个区域。细 token 只需要决定在该区域里哪个位置。采出来的序列能保持合理更长时间,而合理的远期正是自回归价格模型的全部意义。

它也让 tokenizer 可复用。Kronos-small 和 Kronos-base 共用一个 tokenizer,所以先微调小模型、后来升级到 base 的团队不用重建数据管线。

模型库诚实得少见

四个尺寸,三个开放。

Kronos-mini 410 万参数,上下文 2048。Kronos-small 2470 万、Kronos-base 1.023 亿,两者都是 512 上下文、共用 tokenizer。Kronos-large 4.992 亿,没有放出来。

发小的、留大的,是一个站得住也越来越多见的立场。它给研究者可复现的东西,给作者商业上的余地。它同时意味着最好的开源检查点是 1.023 亿参数,比大多数手机输入法还小。

上下文长度值得盯住,因为它限定了模型能看见多少。512 根 K 线不多。按 5 分钟一根算大约 42 小时,不到两个交易日。按日线算大约两年,这就比较合理了。如果你的策略依赖一个季度的小时级形态,这个模型一次前向装不下。

怎么跑

Python 3.10 以上,然后 pip install -r requirements.txt。权重在 Hugging Face 的 NeoQuasar 组织下。

接口就四行:加载 Kronos-Tokenizer-base 和 Kronos-small,实例化 KronosPredictor 并传 max_context=512,然后 predict 传入历史 DataFrame、历史时间戳序列、未来时间戳序列和 pred_len。

DataFrame 需要 open、high、low、close 四列,volume 和 amount 可选。预测器负责归一化、预测和反归一化。输入超过上下文窗口它会自动截断,这很方便,也是一种安静的信息损失,所以回头看一下你的 lookback。

仓库里有微调脚本,一个走标准路径、一个读 CSV,还有一个 web UI 和一组示例。比多数研究发布完整,这也是它一直在吸星的原因之一。

demo 既是警告也是提示

官方在线 demo 预测的是 BTC/USDT 接下来 24 小时。

对一个在 45 个交易所数据上训出来的模型,这是个奇怪的选择,也是对 demo 来说正确的选择。加密连续交易,没人能指责你挑时段。它同时也是最难的考题,因为 24 小时的加密价格接近随机游走,任何模型在这上面好看一周,下一周就会难看。

这正是整个品类要记住的事。一个针对价格序列的基础模型可以真的有用,同时仍然不告诉你该买什么。有用的应用都在下游而且具体:补数据源的缺口、为风险模拟生成合理情景、发现某条序列开始不像它的历史、标出一段 K 线形态对该品种在统计上不可能的区间。这些都不要求模型预测方向。

会伤人的应用是那个显然的。如果你从 Kronos 采一千个未来,其中 60% 往上漂,那是对模型训练分布的陈述,不是对明天的。自回归模型非常擅长延续它见过的形态,而金融市场有个习惯:在足够多的资金为某个形态会延续而下注之后,正好把它结束掉。

为什么一个小模型现在在趋势榜上

三个说得通的理由,并不互斥。

第一是成本。1.023 亿参数的模型能在笔记本上跑。你可以在一个下午里迭代特征管线,不用排队等卡,而量化研究的反馈环跟视频生成是同一个问题:工具慢,人就保守。

第二是前沿变怪了。要一整个数据中心来服务的一万亿参数模型,操作你桌面的智能体,每秒 15 帧流式输出的世界模型。一个在自己机器上回答一个窄问题的模型,是一种解脱。

第三是许可。MIT,权重在 Hugging Face,微调脚本给出,没有地域排除,没有收入门槛。对一个想验证 K 线 token 化在自己品种上是否成立的量化团队,这消掉了所有不试的理由。

这个方法站不站得住,是一个仓库无法了结的实证问题。它给了模型库和一个 demo,AAAI 的接收说明方法过了同行评审,这不等于说它在你自己的数据上能赢过一个调好的梯度提升模型。诚实的检验是在你的品种上做走向前验证,跟你已经信任的基线比,把交易成本算进去。

这个检验花一个周末。模型不要钱。这个比例,就是星数上涨的原因。

相关文章