Kronos 模型深度测评：首个开源 K 线基础模型，在 A 股上到底能不能用？

先说结论

我花了三天时间（2026-08-11 ~ 08-13），在一台 RTX 4060 Laptop 8GB 上，对 Kronos 做了八轮零样本（未微调）回测。

Kronos 是首个开源金融 K 线基础模型，AAAI 2026 论文。

结论：Kronos-small / Kronos-base 对 A 股的短期方向预测基本没有实用价值。

方向准确率 ≈ 抛硬币，甚至低于 3 行代码的动量规则；绝对点位全面输给"预测不变"的 naive 基线。瓶颈在任务/信号本身，不在模型容量。

更准确地说，Kronos 的真实身份应该是——一个"金融序列表征器"，而不是"预测器"。

下面是完整测试过程和我的主观评价。

1. Kronos 是什么

Kronos 是 shiyu-coder/Kronos 发布的首个开源金融 K 线基础模型。

• 预训练语料：45+ 全球交易所、超 120 亿根 K 线
• 主力频率：5 分钟（1 根 K 线 = 1 个 token，max_context=512）

它的技术框架分两步：

1. 专用 Tokenizer（BSQuantizer）：把 OHLCV 数据量化为层级离散 token（粗 + 细），本质是 Transformer 自编码器的"重建"；
2. 自回归预训练：在这串 token 上做 next-token prediction。

关键点：它的训练目标是"重建 + 延续"，不是"预测方向"。 这正是后面所有测试结论的总根源。

模型家族（Hugging Face 开源）：

• Kronos-small：24.7M，context 512
• Kronos-base：102.3M，context 512
• Kronos-large：499.2M（未开源）

论文：arXiv:2508.02739，AAAI 2026 收录。

2. 为什么测它

我的项目想评估 Kronos 在 A 股上的真实预测能力，作为微调（方向 B）的基线。

早期日线指数回测发现：逐日方向准确率 ≈ 50%（随机），预测与实际近乎不相关。

当时推测"日线退化主因是分布外"——模型预训练在 5min，日线尺度形态规律不成立。

后续测试正是为了验证这个假设，并逐步排除其他解释。

3. 测试设计（方法论）

Walk-forward 滚动回测

把每只标的最近 900 根 K 线切成 100 个滑动窗口，每个窗口用前 400 根预测未来 5 根：

[ lookback=400 ] [ pred=5 ]
▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓│◄──预测──►│
              ▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓│◄───────►│  ← 每次右移 5 根

参数（八轮完全一致，保证可比）：

• LOOKBACK / STEP / PRED_LEN：400 / 5 / 5
• N_STEPS：100（每标的回测步数）
• sample_count / T / top_p：20 / 1.0 / 0.9（20 条采样路径取均值）
• seed：42（固定可复现）

指标：

• 5步/5日累计方向准确率（主指标）——与 50% 随机基线对比
• 逐K线方向准确率（辅指标）——每根预测涨跌方向 vs 实际
• MAE / MAPE——绝对点位误差，与 naive 基线（预测=窗口末收盘）对比
• 简单方向基线——动量续延 / 均值回归规则

数据：

• 日线指数：7 个中证指数，csindex（akshare），2005-2026
• 日线个股：10 只 A 股，baostock，2019-2026
• 5min 个股：同 10 只，baostock，2024-2026

10 只个股覆盖白酒、保险、银行、公用、家电、新能源、有色。

数据源坑：EastMoney 分钟接口本机被断连；baostock 分钟线仅支持个股；5min 仅回溯 2024-01。

4. 八轮测试：完整过程

测试一：日线指数（7 指数，Kronos-small）

发现：红利/防守类（59/56/55%）明显高于随机，成长/宽基（40/44%）低于随机；绝对点位全部不如 naive。

测试二：日线级别诊断

• 逐日方向均值 50.1%，不随 horizon 改善（day1~day5 全在 50% 附近）
• 预测与实际相关系数 0.072（≈0，基本无关）
• 预测偏保守：预测 |涨跌| 中位数只有实际的 0.74 倍

初步判断：可能是"分布外"（模型预训练在 5min，日线不适用）。

测试三：5min 个股（10 只）——关键转折

为验证"分布外假设"，用**预训练频率（5min，分布内）**跑同一基准。

发现（关键转折）：5min 是预训练分布内，方向准确率反而更低（46.5%），低于日线。假设"日线退化=分布外"不成立。

测试四：同标的日线对照（10 只）

为排除"个股 vs 指数"混淆，对同 10 只股票加跑日线对照。

均值：49.9%（5日）/ 49.6%（逐日）。

发现：同标的日线方向 ≈ 随机；5min（46.5%）< 日线个股（49.6%）< 日线指数（50.1%）——信号来自标的不同（越细噪声越大），不是模型能力。

测试五：简单基线诊断（任务本身可不可预测）

核心疑问：方向 ≈ 随机，是"模型没学到东西"，还是"任务本身难"？

用 3 行代码的动量/回归规则测：

• 日线指数：回归 L1 53.0%（Kronos 51.1%，随机 50%）
• 日线个股：动量 L10 53.3%（Kronos 49.9%，随机 50%）
• 5min 个股：动量 L1 50.1%（Kronos 47.5%，随机 50%）

逐标的对比（日线）：Kronos 在 16/17 个标的上低于该标的最佳简单基线（差 -2 ~ -18 个百分点），唯一例外是中证红利（+2）。

发现：

1. 5min 是任务地板：连动量规则都 ≈50%，短期 5min 方向本质不可预测
2. 日线有弱信号（~53-57%）且傻规则已捕捉：Kronos 系统性低于动量规则——没学到方向信号
3. 之前记功的红利指数 55-59%，其实是数据本身的趋势信号（傻规则同样 57-62%）

测试六：Kronos-base（102.3M）模型规模对照

排除"small 容量不够"的可能，下载 Kronos-base（4 倍参数）重跑：

• 日线指数 5日方向：small 51.1 → base 48.0（基线 ~56）
• 日线个股 5日方向：small 49.9 → base 48.5（基线 53.3）
• 绝对点位：base 更差（茅台 MAPE 3.5% vs 2.3%、五粮液 7.5% vs 3.8%）

发现：增大 4 倍参数不升反降。容量不是瓶颈。

测试七：RankIC 验证（论文核心指标的独立验证）

论文用 IC/RankIC 评估，声称 Kronos-small 价格预测 RankIC ≈ 0.025。

我在 A 股数据上独立重算：

审慎判断：这些 RankIC 不能视为"有信号"的证据：

1. 量级太小且不显著：+0.03 远低于量化常用信号阈值；窗口高度重叠，无法拒绝"RankIC=0"
2. 横截面不可信：仅 10 只/7 个指数，n≤10 下噪声极大（单日 SE≈0.33）
3. 与方向≈随机自洽：RankIC 0.03 隐含的方向准确率仅 ~51%——“和论文量级相近”≠信号真实存在
4. 动量对比无效：Kronos +0.031 vs 动量 +0.020 之差也在噪声内

结论：RankIC 在 A 股样本上与零无法区分，按"无可用信号"处理。

测试八：top-k 门控实验（论文核心声称的直接检验）

论文最实际的价值声称是：Kronos 的排序信号选出的 top-k 组合能产生超额收益。

扩大宇宙做门控：CSI 300 成分股确定性抽样 39 只（按代码等距取，避免挑股偏差）。

top-k 组合 5 日实际收益（100 个调仓日平均，含 SE）：

横截面 RankIC（39 只）：Kronos +0.019 ± 0.024（t≈0.8，不显著）；胜率 47%（<50%）。

发现：

1. Kronos 排序未转化为组合收益：top-k（+0.19%）低于随机（+0.23%）和全宇宙（+0.26%）
2. 39 只横截面 RankIC 与零不可区分——更大更可信的横截面，仍复现不出论文的排序信号
3. 动量10 最强（+0.53%）但也不显著

结论：门控失败，无需扩大到全量 CSI 300/800。

5. 汇总与七条核心结论

八轮测试速览：

1. 日线指数：方向 51.1%——红利类弱信号，成长类反信号
2. 日线诊断：逐日 50.1%——预测与实际无关（corr 0.072）
3. 5min 个股：47.5%——分布内反而更差，假设被推翻
4. 日线个股同标的：49.9%——≈随机，信号在标的不在模型
5. 简单基线诊断：基线 53-57%——任务有弱信号，Kronos 输给傻规则 16/17
6. Kronos-base 对照：48.0/48.5%——容量不是瓶颈，更大更差
7. RankIC 验证：~0.03——与零不可区分，按无信号处理
8. top-k 门控：+0.19% vs 随机 +0.23%——排序未转组合收益，门控失败

七条核心结论：

1. 短期方向预测无实用价值：方向准确率都 ≈ 随机（46.5-51.1%），低于 3 行代码的动量规则
2. “分布外"假设不成立：5min（分布内）方向反而低于日线
3. 瓶颈在任务/信号，不在模型：5min 是任务地板；加大 4 倍参数不升反降
4. 绝对点位全面输给 naive：Kronos 预测的是形态而非精确点位
5. 论文的 RankIC 信号未复现：RankIC ~0.03 与零不可区分
6. 论文的组合声称也未复现（门控失败）：Kronos top-k 组合收益低于随机
7. 对微调的启示：短期方向微调预期非常保守；更值得评估长周期趋势、重建质量、生成/异常检测等未测面

6. 我的评价：这个模型的实际作用

以下是基于八轮测试的主观判断，与前面的事实性数据分开，供读者独立判断。

6.1 直接回答：它不是什么

• 不是短期方向预测工具：≈抛硬币，系统性低于 3 行代码的动量规则，没有可用的交易价值
• 不是绝对点位预测工具：MAE/MAPE 全面输给 naive 基线；更大的 base 反而更差
• 不是容量问题：24.7M → 102.3M 不升反降，天花板在任务/训练目标
• RankIC 未提供正面证据：量级小、窗口重叠、无显著性支持

6.2 那它是什么：一个"金融序列表征器”，而非"预测器"

Kronos 的预训练目标——BSQuantizer 重建 + 自回归延续——本质是学会"金融序列如何生成/延续"的表征，而不是"未来会怎样"的判别能力。

Kronos 学到的是"K 线长什么样、通常怎么走"，而不是"明天往哪走"。

这解释了为什么它在自己的"舒适区"（5min）方向也 ≈ 随机——短尺度方向信号本身弱，而它的训练目标根本没被设计来捕捉方向。

6.3 分层价值判断

• 交易信号（短期方向）：低价值——≈随机、输给动量、base 不救、RankIC 与零不可区分
• 低频辅助因子（日线红利指数）：弱价值（可选）——55-59% 是零样本下最接近可用的信号，需组合其他因子、稳健性待验证
• 特征提取 / 重建：未验证，可能是真价值——tokenizer 重建、跨市场表征未测
• 数据生成 / 异常检测：未验证，值得测——“生成器"训练目标与用途最匹配
• 研究 / 技术资产：有价值——首个开源 K 线基础模型，架构有参考意义
• 微调底座：预期保守——若微调仍是短期方向，天花板低；转向长周期/风格/形态才有意义

6.4 一句话结论

Kronos 不适合作为"A 股涨跌预测器"直接使用——它可能的（未证实的）价值在"表征与生成金融序列”，而不是"判别方向"。

“表征/生成有价值"只是基于训练目标（重建+延续）的推测，尚无实测证据；实测能确认的只有"判别方向不可用”。

如果项目目标是交易预测，应放弃在短期方向上继续投入，转向：

1. 日线红利指数的低频弱信号（组合其他因子）
2. 若仍想用 Kronos，转去评估重建/生成/长周期能力（先验证再谈价值）
3. 或者直接改用更简单的规则模型

6.5 这个判断可能错在哪

诚实起见，列出我的评价可能失效的条件：

• 未测它的优势区：若重建/生成质量显著好，则"表征器"定位成立，但低估了它的价值；若重建也平庸，则它连好表征器都算不上
• 未测微调：若下游任务（行业/风格分类、长周期趋势）微调后显著有效，说明特征可迁移，评价需上调
• A 股只是预训练市场之一：美股/外汇等其他市场的零样本表现我没测，不能外推
• 样本局限：只测 10 只大盘股 + 7 个指数，中小市值、极端行情未覆盖

7. 局限

• 窗口不一致：5min 仅回溯 2024-01（~19 交易日）；日线窗口 3.6 年。对比受窗口差异影响
• 样本量小：单只 5 步累计方向 SE≈5%，个别数字不可过度解读
• 标的选择：10 只大盘股 + 39 只 CSI 300，未覆盖中小市值
• “最佳基线"偏高：逐标的挑最优规则（样本内），但固定动量 L10（53.3%）同样高于 Kronos，结论稳健
• 门控未计交易成本：测试八为零成本（对模型更宽松），Kronos 仍未跑赢随机；计入 0.15% 成本只会更差
• 未测微调：全部为零样本
• 未测能力面：tokenizer 重建、周/月线趋势、市场状态、跨市场迁移、K线生成均未测

8. 复现命令

# 环境：Kronos .venv（推理）/ FenglaiIndex .venv（抓数据）
# 数据抓取
/home/zs/Develop/FenglaiIndex/.venv/bin/python examples/fetch_index_data.py
/home/zs/Develop/FenglaiIndex/.venv/bin/python examples/fetch_a_share_min.py

# 基准测试（--model small|base）
.venv/bin/python examples/benchmark_indices.py
.venv/bin/python examples/benchmark_minute.py --freq 5m
.venv/bin/python examples/benchmark_minute.py --freq d

# 简单方向基线诊断
.venv/bin/python examples/baseline_direction.py

# RankIC 验证（复用 benchmark 明细，无需重跑推理）
.venv/bin/python examples/rankic_test.py

# top-k 门控实验（CSI300 抽样 39 只）
/home/zs/Develop/FenglaiIndex/.venv/bin/python examples/fetch_universe_daily.py
.venv/bin/python examples/topk_gate.py

完整测试报告与复现代码见 github.com/zsdfbb/Kronos。

这篇文章是「风来的躺平日志」关于 AI 模型实测的一篇记录。我对 Kronos 的判断可能错，但测试过程是透明可复现的——数据摆在这里，结论留给读者自己下。

后续如果测了重建/生成/长周期方向，我会再更新。