Kronos — первая open-source модель для прогнозирования финансовых рынков принята на AAAI 2026

Модель Kronos принята на конференцию AAAI 2026 — это первая открытая foundation-модель, специально разработанная для анализа финансовых свечных графиков (K-line). Модель обучена на данных с более чем 45 мировых бирж и демонстрирует обучение на массивном корпусе из более 12 миллиардов записей K-line с 45 мировых бирж.

Революционная архитектура

Kronos представляет семейство decoder-only foundation-моделей, предварительно обученных специально для «языка» финансовых рынков — последовательностей K-line. Основные особенности:

graph LR
    A[OHLCV данные] --> B[Специализированный токенизатор]
    B --> C[Дискретные токены]
    C --> D[Автoрегрессивный трансформер]
    D --> E[Прогноз рынка]

В отличие от общих моделей временных рядов (TSFM), Kronos разработана для работы с уникальными, высокошумными характеристиками финансовых данных. Модель использует новую двухэтапную архитектуру: специализированный токенизатор сначала квантует непрерывные многомерные данные K-line (OHLCV) в иерархические дискретные токены.

Семейство моделей

Впечатляющие результаты

На бенчмарке Kronos показывает улучшение RankIC на 93% по сравнению с ведущими TSFM и на 87% по сравнению с лучшими не-предобученными базовыми моделями. Модель также достигает на 9% более низкой MAE в прогнозировании волатильности и на 22% улучшения в генеративной точности для синтетических последовательностей K-line.

Практическое применение

Прогнозирование с Kronos просто с использованием класса KronosPredictor. Он обрабатывает предварительную обработку данных, нормализацию, прогнозирование и обратную нормализацию, позволяя перейти от сырых данных к прогнозам всего в несколько строк кода.

from model import Kronos, KronosTokenizer, KronosPredictor

# Загрузка с Hugging Face Hub
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

# Инициализация предиктора
predictor = KronosPredictor(model, tokenizer, max_context=512)

Для эффективной обработки множественных временных рядов, Kronos предоставляет метод predict_batch, который обеспечивает параллельное прогнозирование на множественных датасетах одновременно. Это особенно полезно, когда нужно прогнозировать множественные активы или временные периоды одновременно.

Дообучение и адаптация

В августе 2025 разработчики выпустили скрипты для fine-tuning. Они позволяют адаптировать Kronos под ваши собственные задачи. Предоставляется полный пайплайн для дообучения Kronos на ваших собственных датасетах. В качестве примера демонстрируется, как использовать Qlib для подготовки данных с китайского рынка акций A-share и проведения простого бэктеста.

graph TD
    A[Конфигурация] --> B[Подготовка данных]
    B --> C[Дообучение модели]
    C --> D[Бэктестинг]
    D --> E[Оценка производительности]

Значение для отрасли

Kronos представляет фундаментальный прорыв в машинном обучении для финансов — это первая публично доступная foundation-модель, обученная исключительно на визуальных и статистических паттернах финансовых свечей

В целом, Kronos позиционируется как специализированный для домена стек foundation-моделей для исследований финансовых временных рядов и прикладного прогнозирования, предлагающий как предобученные артефакты, так и end-to-end пайплайн для адаптации и оценки.

Недавнее принятие на AAAI 2026 подтверждает академическую строгость модели, в то время как активное сообщество обеспечивает непрерывное улучшение. Это открывает новые возможности для квантовых фондов, независимых разработчиков и исследователей в области алгоритмической торговли.