在 2026 年的 A 股市场，我们不仅在与人博弈，更是在与‘时间序列’背后的幽灵共舞。站在 2026 年这个节点，老派的技术分析正面临前所未有的生存危机。随着全面注册制的深化和超高频量化算法的普及，传统的 MACD 、KDJ 甚至曾经被奉为神谕的“仙人指路”形态，似乎都在被某种无形的力量精准收割。当市场陷入“量价迷雾”，散户与大户的博弈已不再仅仅体现在盘口的挂单上，而变成了算力与逻辑的终极赛跑。最近看到 Kronos 金融模型，我决定尝试将 Kronos 接入我的 A 股量化工作流。
首先介绍一下 Kronos 。Kronos 是一个专为金融市场"语言"——K 线序列预训练的 decoder-only 基础模型系列。与通用时间序列预测模型（ TSFM ）不同，Kronos 专门设计用于处理金融数据独特的高噪声特性。它采用创新的两阶段框架：专用分词器首先将连续的多维 K 线数据（ OHLCV ）量化为分层离散令牌。随后基于这些令牌预训练大型自回归 Transformer ，使其成为适用于多种量化任务的统一模型。
我花了半天的时间在本地使用 Kronos 模型和 qlib 数据，在 CPU 上预测未来交易日的 K 线走势，并输出：K 线图（单图，上预测下真实）。
脚本支持两类模型输入：Kronos 官方模型目录和普通 PyTorch 模型文件
项目目录格式：
├── kronos_qlib_predict.py
├── README.md
├── qlib_data/
├── model/
├── tokenizer/
└── Kronos/
目录说明：
model/：本地 Kronos 模型目录
tokenizer/：本地 Kronos tokenizer 目录
Kronos/：官方源码仓库，用于提供 model.py
本地环境要求：
CPU 环境即可
已安装本地 qlib 数据
下载模型和 tokenizer
下载 Kronos 模型，推荐使用 Hugging Face Hub 的整仓下载，而不是手动拷贝单个文件：
python -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='NeoQuasar/Kronos-base', local_dir='/Users/fighteryu/Downloads/kronos_demo/model', local_dir_use_symlinks=False)"
下载 tokenizer
模型目录中至少应包含：
model.safetensors 或其他*.safetensors
tokenizer 目录中应包含 tokenizer 所需配置和词表文件。
下载官方 Kronos 源码
当前脚本在加载 Kronos 官方模型时，会使用：
from model import Kronos, KronosTokenizer, KronosPredictor
因此需要本地存在官方代码仓库：
git clone https://github.com/shiyu-coder/Kronos.git
运行脚本时，需要把 Kronos 仓库加入 PYTHONPATH：
标准运行方法
--provider-uri ~/Downloads/kronos_demo/qlib_data \
--instrument sh600519 \
--start 2023-01-01 \
--end 2024-12-31 \
--model-path ~/Downloads/kronos_demo/model \
--tokenizer-path ~/Downloads/kronos_demo/tokenizer \
--window 64 \
--horizon 5 \
--seed 40 \
--out ~/Downloads/kronos_demo/kronos_pred.csv \
--chart-out ~/Downloads/kronos_demo/kronos_pred.png
执行预测 K 线结果输出 K 线图
股票价格参数会输出到表格中，终端输出如下图
如果是预测的历史的交易数据，生成的图片会展示预测 K 线和实际 K 线，我们可以从图上直观的看到预测和实际 K 线的差别
参数搜索（自动回测）
如果你要自动找更优参数（ window / T / top_p / sample_count ），可以使用--tune：
--provider-uri ~/Downloads/kronos_demo/qlib_data \
--instrument sh600519 \
--start 2021-01-01 \
--end 2024-12-31 \
--model-path ~/Downloads/kronos_demo/model \
--tokenizer-path ~/Downloads/kronos_demo/tokenizer \
--horizon 5 \
--seed 40 \
--tune \
--grid-window 64,128,256,384 \
--grid-temp 1.0,0.9,0.7 \
--grid-top-p 0.95,0.9,0.8 \
--grid-sample-count 1,5,10 \
--tune-stride 5 \
--tune-max-windows 120 \
--tune-out ~/Downloads/kronos_demo/kronos_tune_scores.csv
说明：
会在历史区间做滚动回测
评分指标为 close 的 MAE / RMSE / MAPE
结果会保存到--tune-out
程序会打印 RMSE(close)最优参数组合
如何提高预测的数据准确率？提升准确率最有效的是这几件事（按优先级）：
先做可复现评估再调参：固定--seed ，固定回测区间，按滚动窗口评估 MAE/RMSE/MAPE ，先建立 baseline 。
调 window （最关键）：别只用 64 ，建议网格 64/128/256/384/512 ； Kronos-base 上下文上限通常 512 。
调采样参数，随机性较强。要更稳可试：
按标的做独立最优参数：不同股票波动结构差异大，参数不应一套通吃。
数据质量优先：确认 qlib 数据无缺失/异常点，factor 处理一致，避免未来数据泄漏。
分市场/分周期建模：A 股、港股、美股混在一起直接推理常会降精度；不同频率（日线/5min ）也要分开调。
引入真实交易日历：你现在未来日期用 B ，与真实交易日可能不完全一致，建议用交易所日历生成预测日期，减少时间错位误差。
如果允许训练：做微调（提升最大）：用你的目标标的/行业数据做轻量 finetune ，通常比纯 zero-shot 提升明显。
给你一个最实用的执行顺序（ 1 天内可做）：
固定 seed + 固定评估集
跑 window 网格
在最佳 window 上调 T/top_p/sample_count
输出每组参数的 MAE/RMSE 表，选最优
再考虑是否 finetune
如果大家对我的话题感兴趣的话可以👍➕关注哦！
