Kronos — модели машинного обучения для анализа финансовых рынков

Kronos — семейство моделей машинного обучения, обученных на последовательностях биржевых свечей. Они принимают не текстовый запрос и не снимок графика, а структурированные числовые данные: цену открытия, максимум, минимум и цену закрытия за период, а также, при наличии, объём торгов. По истории модель строит возможные значения для следующих интервалов.

Проект разработали исследователи Университета Цинхуа. В статье, опубликованной в материалах конференции AAAI 2026, описано обучение на более чем 12 млрд записей с 45 бирж и семи временных масштабов. Публичная версия включает несколько моделей разного размера и инструменты для самостоятельного запуска.

Как Kronos анализирует рыночные данные

Свечи превращаются в последовательность токенов

Обычная языковая модель работает со словами и знаками. Kronos обрабатывает рыночные данные иначе: специальный токенизатор переводит числовые значения каждой свечи в дискретные коды, сохраняя взаимосвязи между ценой и торговой активностью. Затем модель типа Transformer учится продолжать последовательность, опираясь на предыдущие интервалы.

Для прогноза передают таблицу с колонками open, high, low и close; объём и денежный оборот можно добавить отдельно. Поэтому Kronos не читает картинку с графиком как система компьютерного зрения и сам по себе не подключается к бирже: источник данных и временные отметки готовит пользователь или его приложение.

Какие задачи поддерживаются

Прогнозирование цены и волатильности

Базовый сценарий — продолжить временной ряд и получить набор прогнозных значений для заданных будущих интервалов. Kronos также предназначен для оценки волатильности — того, насколько сильно могут меняться цены, — и генерации синтетических последовательностей свечей. Авторы описывают режим zero-shot: в исследовательских тестах модели оценивали без дополнительного обучения под каждую отдельную задачу. Это не означает гарантированную точность на любом активе или рынке.

Что означает заявленное преимущество в 93%

В статье авторы сообщают, что на использованных ими тестовых наборах показатель RankIC для прогноза цен был на 93% выше, чем у лучшей сравниваемой модели временных рядов, и на 87% выше, чем у лучшей модели без предварительного обучения. RankIC сопоставляет ранжирование прогнозов с фактическим ранжированием результатов. Это не доля верных прогнозов, не вероятность прибыльной сделки и не обещание доходности.

В той же оценке Kronos показала на 9% меньшую среднюю абсолютную ошибку в прогнозировании волатильности и на 22% более высокую оценку реалистичности при генерации синтетических свечей. Это результаты конкретного исследования и его методики; перед применением на практике их нужно отдельно проверять на новых данных.

Доступные размеры моделей

Три открытых варианта и одна закрытая контрольная точка

Параметры и длина контекста приведены в карточках проекта. Меньшее число параметров само по себе не гарантирует конкретную скорость: она зависит от устройства, используемой библиотеки и размера входных данных. Репозиторий и карточки опубликованных весов и токенизаторов указывают лицензию MIT.

Как запустить Kronos

Python, собственные данные и локальный интерфейс

Для работы с моделями проект предлагает Python-библиотеку-предиктор: она загружает веса и токенизатор, подготавливает историю и возвращает прогноз в виде таблицы. В документации указан Python 3.10 или новее. Для Kronos-small и Kronos-base длина входной последовательности ограничена 512 шагами; у Kronos-mini контекст составляет 2 048. Если исходный ряд длиннее, пример предиктора обрезает историю до доступного окна.

В репозитории также есть веб-интерфейс для загрузки CSV и Feather, выбора модели и просмотра результата на графике. В документации перечислена поддержка вычислений на процессоре, CUDA и Apple MPS. Точные требования к памяти и скорость на конкретном компьютере разработчики не сводят к универсальной гарантии — их следует оценивать на своей конфигурации.

Демонстрация BTC/USDT и её актуальность

Пример прогноза, а не торговый сигнал

Авторы разместили демонстрацию прогноза пары BTC/USDT на следующие 24 часа. В описании указано, что она использует Kronos-mini, примерно 15 дней часовой истории Binance и 30 вариантов прогнозной траектории; диапазон на графике показывает разброс между ними. Сейчас на странице демонстрации указано последнее обновление 4 июля 2026 года, поэтому на дату этой статьи её нельзя считать обновляемым в реальном времени индикатором.

В тестовом примере графика красная линия показывает результат модели, синяя — исторические значения. Это иллюстрация из репозитория, а не отчёт о доходности торговой стратегии. Сами авторы отдельно предупреждают, что упрощённый пример обратного тестирования не является готовой количественной торговой системой.

Лицензия и практические ограничения

Открытые веса не отменяют проверку результата

Код, токенизаторы и опубликованные варианты модели доступны под лицензией MIT. Для запуска потребуется подготовить и поддерживать собственный источник рыночных данных; набор данных, на котором проводилось предварительное обучение, в репозитории как готовая база не предлагается. Для реального применения нужно проверять качество данных, учитывать комиссии, проскальзывание и задержки исполнения, а также тестировать модель на периодах, которые не использовались при настройке.

Прогнозы Kronos не являются рекомендацией покупать или продавать активы. Финансовые ряды меняются под влиянием новостей, ликвидности и внешних событий, которых может не быть в поданных на вход свечах. Практическая ценность модели зависит не только от ошибки прогноза, но и от того, как результат включён в систему управления риском.

Документация и исходные материалы

Репозиторий, модели и научная статья

Код и документация Kronos на GitHub · Kronos-mini · Kronos-small · Kronos-base.

Научная работа: публикация в материалах AAAI 2026. Веб-демонстрация BTC/USDT показывает пример работы модели и дату последнего обновления данных.