Kronos：金融市场语言的基座模型

Papers with Code Trending 论文
financial-ai time-series-forecasting foundation-model kline-data open-source

摘要

Kronos 是一种针对金融 K 线数据的新基座模型，它采用专用分词器和自回归预训练，在预测和合成数据生成方面优于现有模型。

大规模预训练范式的成功（以大型语言模型 [LLMs] 为代表）激发了时间序列基座模型（TSFMs）的发展。然而，它们在金融烛台图（K 线）数据中的应用仍然有限，往往表现不如非预训练架构。此外，现有的 TSFMs 经常忽视波动率预测和合成数据生成等重要下游任务。为了解决这些局限性，我们提出了 Kronos，这是一个专为金融 K 线建模设计的统一、可扩展的预训练框架。Kronos 引入了专用的分词器，将连续的市场信息离散化为 token 序列，同时保留价格动态和交易活动模式。我们在包含 45 个全球交易所超过 120 亿条 K 线记录的庞大、多市场语料库上，使用自回归目标对 Kronos 进行预训练，使其能够学习细微的时间序列和跨资产表示。Kronos 在一系列多样化的金融任务中，在零样本（zero-shot）设置下表现出色。在基准数据集上，Kronos 将价格序列预测的 RankIC 提高了 93%（优于领先的 TSFM），并比最佳的非预训练基线提高了 87%。此外，它在波动率预测中将平均绝对误差（MAE）降低了 9%，并在合成 K 线序列的生成保真度上提升了 22%。这些结果确立了 Kronos 作为端到端金融时间序列分析的强大、多功能基座模型的地位。我们的预训练模型已公开提供，地址为 https://github.com/shiyu-coder/Kronos。
查看原文 导出为 Word 导出为 PDF
查看缓存全文

缓存时间: 2026/05/08 08:33

论文页面 - Kronos：金融市场语言的基础模型

来源：https://huggingface.co/papers/2508.02739

摘要

Kronos 是一个专为金融 K 线数据设计的预训练框架，凭借其独特的分词器（tokenizer）和在大规模数据集上的自回归预训练，在预测和合成数据生成方面优于现有模型。

大规模预训练范式（以大语言模型 LLMs 为代表）的成功，激发了时间序列基础模型（TSFMs）的发展。然而，将其应用于金融蜡烛图（https://huggingface.co/papers?q=financial%20candlestick）（K 线）数据仍面临局限，表现往往不及非预训练架构。此外，现有的 TSFMs 经常忽视波动率预测（https://huggingface.co/papers?q=volatility%20prediction）和合成数据生成（https://huggingface.co/papers?q=synthetic%20data%20generation）等关键的下游任务。为了解决这些局限性，我们提出了 Kronos，这是一个针对金融 K 线建模量身定制的统一、可扩展的预训练框架。Kronos 引入了一种专门的分词器，将连续的市场信息离散化为 token 序列（https://huggingface.co/papers?q=token%20sequences），既保留了价格动态（https://huggingface.co/papers?q=price%20dynamics）也保留了交易活动模式（https://huggingface.co/papers?q=trade%20activity%20patterns）。我们使用自回归目标（https://huggingface.co/papers?q=autoregressive%20objective）在包含来自 45 个全球交易所的超过 120 亿条 K 线记录的超大规模、多市场语料库上对 Kronos 进行预训练，使其能够学习细微的时间和跨资产表示。Kronos 在零样本设置（https://huggingface.co/papers?q=zero-shot%20setting）下的各类金融任务中表现出色。在基准数据集上，Kronos 将价格序列预测（https://huggingface.co/papers?q=price%20series%20forecasting）的 RankIC（https://huggingface.co/papers?q=RankIC）提高了 93%（相对于领先的 TSFM），比最佳的非预训练基线提高了 87%。此外，它在波动率预测中实现了降低 9% 的 MAE（https://huggingface.co/papers?q=MAE），并将合成 K 线序列的生成保真度（https://huggingface.co/papers?q=generative%20fidelity）提高了 22%。这些结果确立了 Kronos 作为端到端金融时间序列分析的强大且通用的基础模型。我们的预训练模型可在 https://github.com/shiyu-coder/Kronos 公开获取。

查看 arXiv 页面（https://arxiv.org/abs/2508.02739）查看 PDF（https://arxiv.org/pdf/2508.02739）GitHub 23.5k auto（https://github.com/shiyu-coder/Kronos）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2508.02739）

在您的智能体中获取此论文：

hf papers read 2508\.02739

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 33

NeoQuasar/Kronos-base 时间序列预测 • 更新于 2025年9月9日 • 831k • 147（https://huggingface.co/NeoQuasar/Kronos-base）

NeoQuasar/Kronos-Tokenizer-base 时间序列预测 • 更新于 2025年9月9日 • 2.6M • 51（https://huggingface.co/NeoQuasar/Kronos-Tokenizer-base）

NeoQuasar/Kronos-mini 时间序列预测 • 更新于 2025年9月9日 • 691k • 19（https://huggingface.co/NeoQuasar/Kronos-mini）

NeoQuasar/Kronos-small 时间序列预测 • 更新于 2025年9月9日 • 1.14M • 18（https://huggingface.co/NeoQuasar/Kronos-small）

浏览引用此论文的 33 个模型（https://huggingface.co/models?other=arxiv:2508.02739）

引用此论文的数据集 0

没有链接到此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2508.02739 以从此页面建立链接。

引用此论文的 Spaces 42

包含此论文的合集 16

浏览包含此论文的 16 个合集（https://huggingface.co/collections?paper=2508.02739）

相似文章

用于时间序列预测的仅解码器基础模型

Papers with Code Trending

本文介绍了一篇关于时间序列基础模型（TimeFM）的研究论文，这是一种仅解码器模型，通过借鉴大型语言模型技术，在多样化的时间序列数据集上实现了近乎最佳的零样本性能。

使用合成数据构建快速多语言OCR模型

Hugging Face Blog

NVIDIA推出Nemotron OCR v2，一个使用合成数据生成技术构建的快速多语言OCR模型。该模型通过采用统一的基于FOTS的架构，在检测、识别和关系组件之间实现特征复用，在单个A100 GPU上达到34.7页/秒的性能。

用于混沌预测的时间范围约束的Rashomon集

arXiv cs.LG

介绍了时间范围约束的Rashomon集，用于表征混沌系统中模型多样性的演化。该框架证明了预测等价性的指数收缩，并开发了决策对齐算法，将决策质量提高了18-34%。