报告介绍了专为金融市场设计的时序基础模型Kronos,通过离散化K线数据转化为结构化令牌,利用自回归Transformer进行预训练,展现领先的价格和波动率预测能力。在A股主要指数中进行测试,标准版Kronos未来5日价格预测相关性最高达0.92,误差较小,并基于中证1000指数构建择时策略。微调及滚动参数优化显著提升预测精度和策略收益率,2025年策略收益率达33.9%,年化超额收益9%,体现了模型对市场状态的快速适应和择时价值 。
报告通过介绍并实证分析了由清华大学团队开发的Kronos时序基础模型(TSFM)在A股主要指数上的价格预测能力及择时应用效果。报告指出,Kronos基于特定金融领域设计的两阶段框架(分词+自回归预训练),能较好捕获金融市场的时序特征,并在基础预测表现良好的基础上,通过模型微调和滚动参数优化显著提升了择时策略的收益能力,尤其是2025年展现出较强的超额收益能力,年收益超过33.9%,超额收益达到9%。报告同时提出微调和滚动调参方案能有效克服模型对市场状态的适应不足问题,1,2,3,4,5,9,10,11,12,13,14]。
报告首先介绍了以大规模语言模型(LLM)为基础的时序基础模型(TSFM),强调其在广泛异构时序数据上的预训练优势和零样本泛化能力。TSFM的本质在于通过大规模、多领域的时序数据学习时间序列的普适规律(趋势、季节性、周期等),从而在新任务或数据集上无需额外训练即可应用,提升了迁移性和泛化性。
然而,金融时序数据具有低信噪比和强非平稳性,导致通用TSFM在金融领域表现不佳。针对这一问题,Kronos模型特化金融领域设计,通过“领域预训练+微调”的范式提升了对金融K线数据的表征能力,解决了泛化模型与金融领域数据特性的错位。Kronos不追求通用性,而是深耕金融市场数据的内在规律,1,2].
Kronos模型包含两大核心阶段:
K线分词(K-line Tokenization):利用专用的Transformer自编码器对连续多维的K线时序数据进行层级化的量化分词,生成粗粒度(市场主要结构动态)和细粒度(价格精细波动)两层子令牌。采用二元球面量化(BSQ)实现细粒度离散化,保证令牌内部信息组织的有效性。
自回归预训练(Autoregressive Pre-training):采用仅解码器的自回归Transformer,以“由粗到细”预测策略,先预测下一个时间步的粗粒度令牌,再基于粗粒度进行条细粒度子令牌生成,实现市场趋势与细节的层级化学习。
该模型训练依托包含股票、期货、加密货币、外汇等多资产、7种不同时间频率的庞大金融数据集,为金融市场复杂时序建模提供坚实基础,4].
此外,报告还归纳了当前主流TSFM的架构、应用领域及关键优势,详见图表1,Kronos以专注于金融数据领域特化及深度理解闻名,是TSFM演进中的重要标志,4,5].
以沪深300、中证500、中证1000、中证2000、国证成长和国证价值六大指数为标的,2025年初至9月底作为测试区间,采用400日K线作为输入,预测未来1至5个交易日收盘价,评价指标为斯皮尔曼相关系数和平均绝对误差(MAE)。
图表5至图表8展示了各指数的预测相关系数和绝对误差,图表9至图表12分别展示了各指数预测价格序列与真实价格的动态对比曲线,7,8].
使用标准版Kronos预测中证1000指数未来5日收盘价,并以此构建择时策略:
图表13和图表14详细展示了择时策略的执行参数与收益净值曲线,表明标准版在实际交易中存在过于保守、趋势反应迟缓的缺陷,10].
基于文献[6]关于微调能带来15%-30%性能提升的结论,报告提出在中证1000指数上通过以下两大手段提升策略表现:
效果显著提升:
策略层面,基于滚动微调信号构建的择时策略2025年收益率达33.9%,较原方法提升20个百分点以上,超额年化收益9%,且对7月以来趋势的响应更灵敏,回测净值显著优于原始策略及通用基础模型Sundial(图表21),11,12,13,14].
展示了多种主流TSFM的架构类型、核心方法、开源状态及适用领域,突出Kronos专注金融领域,采用层级分词和纯解码器自回归方式,开源且拥有金融数据深度理解优势,是当前金融时序建模的前沿代表。
图3详细展示了基于Transformer的K线分词过程及自回归预测结构:
展示四种版本模型的分词器类别、上下文长度及参数规模,参数规模从4.1M至近5亿不等,标准版参数量约1亿左右,适用于兼顾计算资源和模型表现的实际应用。
四个图表分别展示沪深300、中证1000、成长和价值指数的未来1日预测与真实收盘价格序列,预测曲线与实际走势高度吻合,说明模型具备较强的短期价格序列拟合能力。
本报告聚焦于模型技术和策略表现分析,未涉及传统企业估值分析。但从量化策略的盈利能力和超额回报角度出发,报告以实证回测作为投资建议的核心依据,反映了基于Kronos模型量化资产配置的价值逻辑。
风险提示明确提醒投资者应理性对待模型回测数据,注意潜在投机、市场环境变化对策略效果的负面影响,9,10,15].
总体而言,报告基于充分的数据和合理的技术架构,提供了一套稳健的建模与应用范式,但投资者和用户应留意上述潜在不确定因素和假设条件,7,8,9,12,14].
本报告系统介绍了Kronos大语言时序基础模型,其以金融K线数据为专用领域,通过分词和自回归预训练,结合大规模跨资产频率金融数据,实现针对金融时序数据的精准学习和预测。实验证明,Kronos在沪深300、中证1000等A股指数上的价格预测能力优异,尤其在价格序列的斯皮尔曼相关系数表现突出,最大能达到0.978(未来1日预测,沪深300)。
模型的基础版本择时策略尽管实现正收益,但面临对持续上涨行情识别不足的问题。通过模型微调结合滚动推理参数网格搜索优化,Kronos大幅提升了预测精度,未来5日价格预测相关系数从0.732提升至0.856,绝对误差大幅下降,推动择时策略收益率达到33.9%,年化超额收益达9%,策略灵敏度得到增强,有效捕捉市场动态。
报告中重点展示了各类相关表格与图表数据,分别论证了模型架构、参数规模、预测性能以及策略回测的详细表现,充分体现了金融领域大语言模型的显著潜力及实际应用价值。
本文分析内容严格基于《大语言时序模型Kronos的A股择时应用》报告全文,涵盖第0至14页所有核心章节及图表信息。
中金 大模型系列(5):大语言时序模型Kronos的A股择时应用.pdf