【23 Daily 綜合報導】根據專案說明，Kronos 是首個針對金融市場的 K 線（K-line）語言打造的開源基礎模型，於 2026 年 11 月獲得 AAAI 會議接收。它利用來自全球超過 45 個交易所的資料，透過創新兩階段架構，專門處理金融資料的高噪音特性，提供統一且多樣的量化任務預測模型。

專為金融K線資料設計的雙階段模型架構

Kronos 採用的兩階段架構先由專用的分詞器將連續多維的 OHLCV （開盤、最高、最低、收盤與成交量）數據量化成層級離散符碼，接著搭配自回歸變換器（Transformer）模型進行預訓練，有效捕捉金融市場語言的特性。這使得 Kronos 不同於一般通用的時間序列基礎模型，可以應對金融市場中龐大且複雜的噪音資料。模型家族涵蓋從輕量的 Kronos-mini（4.1M 參數）到大型 Kronos-base（102.3M 參數）等多種版本，適用不同運算需求。除 Kronos-large 尚未開源外，其他型號均可在 Hugging Face Hub 免費取得。

易用的預測介面與多樣應用範例

Kronos 提供 Python 環境下的 KronosPredictor 類別，以便使用者輕鬆完成資料預處理、正規化、預測與逆向正規化流程，並推論未來 K 線數據。驅動函數可根據需求調整採樣參數，支援單一及批次多序列的 GPU 並行預測。官方也提供完整範例程式碼，包括不含成交量和成交額的預測示例。更針對中國 A 股市場，示範了如何利用 Qlib 進行資料準備、微調訓練與簡易回測流程，強調此範例僅為示範用途，非完整產品。

編輯觀點：Kronos為金融語言模型開拓新可能

Kronos 在金融市場語言模型領域展現了專業且深入的技術突破。其兩階段量化分詞加大型自回歸模型架構配合龐大交易所資料，將有助於提升金融資料理解與多任務預測能力。對創業者而言，此模型框架提供了一個具體且開源的切入點，能快速將金融市場歷史數據轉換為可供 AI 理解與分析的結構化序列。驗證方法上，可利用官方提供的批次預測接口在有標記歷史 K 線資料的真實交易對上測試，並利用回測腳本檢驗預測策略的績效表現，從而評估模型在特定市場與投資策略上的實用性。