把 K 线当语言学：Kronos，金融市场的第一个开源基础模型
技术分析师看 K 线图，看到的是头肩顶、双底、锤子线——这些”形态”本质上是人类肉眼在价格序列里识别的”词汇”。
如果让 AI 看 K 线，它会看到什么？
Kronos 的答案是：把 K 线当成一种语言，用语言模型的方法去理解它。
金融时序预测的老问题
金融市场的时间序列预测是出了名的难。传统方法（ARIMA、LSTM）把价格当连续数字处理，但金融数据有三个致命特征：
1. 高噪声：价格波动里大部分是噪声，不是信号 2. 非平稳：分布随时间漂移，今天有效的规律明天失效 3. 厚尾分布：极端事件比正态分布预测的更频繁
通用时间序列基础模型（TSFM）在金融上表现不佳，因为它们没有学到金融数据的”方言”。它们在电力负荷、交通流量这些相对干净的时间序列上训练，面对金融市场的狂暴噪声就水土不服。
Kronos 的两阶段框架
Kronos（GitHub Trending +217⭐/天，AAAI 2026 接收）是第一个专门为金融市场预训练的开源基础模型。它的核心创新是两阶段框架：
阶段一：专用 tokenizer 把 OHLCV 量化为分层离散 token
OHLCV（开盘/最高/最低/收盘/成交量）是连续多维数据。Kronos 不是简单做均匀分桶，而是分层量化——在不同尺度上捕捉价格运动。
这步是关键。均匀分桶会丢失价格运动的多尺度特征——1% 的波动和 5% 的波动在均匀分桶里可能落在同一个桶。分层量化让小波动和大波动各有各的”词汇”。
阶段二：自回归 Transformer 预训练
在分层离散 token 上做自回归预训练，和 GPT 一样。只是”词汇”从自然语言变成了 K 线 token。
这个框架的巧妙之处在于：它没有发明新架构，它发明了新”语言”。Transformer 是现成的，预训练方法是现成的，创新在于把连续金融数据”翻译”成离散 token 的方式。
数据和模型
训练数据
45+ 全球交易所的 K 线数据预训练。这个覆盖面意味着 Kronos 不只学了美股或 A 股的”方言”，而是全球金融市场的”通用语”。
模型家族
| 模型 | 参数量 | 上下文长度 | 开源 |
|---|---|---|---|
| Kronos-mini | 4.1M | 2048 | ✅ |
| Kronos-small | 24.7M | 512 | ✅ |
| Kronos-base | 102.3M | 512 | ✅ |
| Kronos-large | 499.2M | 512 | ❌ |
注意 mini 版只有 4.1M 参数，2k 上下文——这小得不像话。GPT 级模型动辄百亿千亿参数，Kronos-mini 用 4.1M 就能做预测。这说明金融时序的”语言”比自然语言简单得多——词汇量小、语法规则少、上下文依赖短。
学术认证
AAAI 2026 接收，arXiv: 2508.02739。论文里有完整的对比实验和消融研究。
工程洞察：X 作为语言
Kronos 提示了一个更深的趋势——“X 作为语言”的框架正在扩展到越来越多领域：
– 自然语言 GPT：把文字序列当语言 – VLM：把图像 patch 离散化为 token – 语音模型：把声波离散化为 token – Kronos：把 K 线离散化为 token
共同点：都是”把连续/原始数据离散化为 token，然后用 Transformer 预训练”。Transformer 的真正威力不在自然语言，而在任何能被离散化为 token 的序列。
分层量化的精妙
“分层量化”听起来简单，但它是 Kronos 的核心创新。类比：
– 均匀分桶 = 把所有价格变动看成同等粒度——1% 和 5% 的波动如果落在同一个桶，就丢失了尺度信息 – 分层量化 = 多个粒度并存——粗粒度看趋势，细粒度看波动，两个尺度各有各的词汇
这和人类看 K 线的方式是同构的。技术分析师不会只看 1 分钟 K 线，他们会同时看日线、周线、月线——不同尺度看不同信号。Kronos 的分层量化把这个多尺度视角编码进了 tokenizer。
跨论文共识
Kronos 的设计和近期一系列工作形成共鸣：
– 原生多模态 Scaling Law：不同模态有不同的”语言”，专用 tokenizer 是关键——Kronos 的金融 tokenizer 印证了这一点 – Möbius RoPE：位置编码对时序数据至关重要——Kronos 的上下文长度设计（mini 2k，其他 512）反映了对时序依赖深度的考量 – 章鱼 RNA 编辑：不改蓝图（OHLCV 原始数据），改施工图（token 化方式）——Kronos 的创新不在模型架构，在数据表示
类比
– 自然语言 GPT = 把文字序列当语言 – VLM = 把图像 patch 当语言 – Kronos = 把 K 线当语言 – 共同点：都是”把连续/原始数据离散化为 token，然后用 Transformer 预训练”
技术分析师看 K 线图识别”头肩顶”形态，本质上是肉眼在做 pattern matching。Kronos 把这个 pattern matching 自动化、规模化、跨市场化了。
结语
Kronos 提示的趋势比金融预测本身更大——”X 作为语言”的框架正在扩展。金融 K 线只是开始，未来可能有”蛋白质语言””气候语言””基因语言”。当任何连续数据都能被离散化为 token，Transformer 的应用边界就从自然语言扩展到了所有序列数据。
金融市场的第一个开源基础模型，不只是给量化交易者多了一个工具，而是给”X 作为语言”范式多了一个验证。
—
项目地址：https://github.com/shiyu-coder/Kronos
论文：https://arxiv.org/abs/2508.02739
Live Demo：https://shiyu-coder.github.io/Kronos-demo/
模型：HuggingFace NeoQuasar/Kronos-{mini,small,base}
许可：开源
学术认证：AAAI 2026 接收