量化研究参考系列之五：Kronos：基于K线预训练的金融基础模型

2026年05月18日 报告发布日期 Kronos：基于K线预训练的金融基础模型 ——量化研究参考系列之五 刘静涵执业证书编号：S0860520080003香港证监会牌照：BSX840liujinghan@orientsec.com.cn021-63326320 研究结论 ⚫文献信息：本次分享的论文由清华大学多位学者联合撰写，作者均来自清华大学交叉信息研究院与自动化系。论文发表于国际人工智能顶级会议AAAI 2026（TheFortieth AAAI Conference on Artificial Intelligence, AAAI-26），标题为《Kronos:A Foundation Model for the Language of Financial Markets》Kronos：基于K线预训练的金融基础模型。 金融风洞：用相似历史行情合成个股收益序列：——量化研究参考系列之四2026-05-12高维环境下的最优因子择时：——量化研究参考系列之三2026-04-21SSPT：股票时序定制化预训练选股框架：——量化研究参考系列之二一2026-04-13QuantaAlpha:用大模型做量化因子挖掘：——量化研究参考系列之一2026-04-07 ⚫推荐理由：论文提出了一套面向金融时间序列的基础模型框架——Kronos。该框架并不是直接预测“明天涨跌”，而是先将K线转化为结构化的“市场状态序列”，再通过预训练学习市场走势如何演化。模型可在统一框架下完成价格预测、收益预测、波动率预测、K线生成和投资模拟等任务。其中，收益预测结果可以进一步转化为逐股票未来收益率预测，并通过截面排序形成选股信号，因此具备嵌入量化选股框架的应用潜力。 ⚫核心框架：Kronos的核心流程可概括为“先理解市场走势，再服务预测与选股任务”。1）数据离散化：将连续K线转化为粗粒度与细粒度token，使模型先识别趋势、波动和局部扰动等市场状态；2）自回归预训练：基于历史token预测未来token，让模型学习市场状态如何随时间演化；3）多任务统一建模：基于同一市场表示输出价格、收益、波动率和未来路径，其中收益预测可进一步用于股票排序；4）推理阶段增强：通过多次生成未来路径降低单次预测误差，使最终预测结果和排序信号更加稳定。 ⚫亮点分析：我们在量化研究参考系列《金融工程研究_SSPT：股票时序定制化预训练选股框架》中曾梳理过SSPT的核心思路，即通过股票代码分类、行业分类和移动均值预测等任务提升股票时序表征质量。Kronos与SSPT同属金融预训练路线，但进一步从“任务驱动预训练”走向“生成驱动预训练”：SSPT主要服务收益预测与选股，Kronos则通过K线离散化与自回归生成，构建统一金融基础模型底座，并覆盖价格预测、收益预测、波动率预测、K线生成和投资模拟等多类任务。结合东方证券自研DFQ-Diversify，Kronos可理解为“统一表示底座”，DFQ-Diversify则可进一步提升信号在分布变化下的稳健性。 ⚫实证结果：论文实验覆盖多个交易所与不同资产类别，其中生成任务可视化基于上海证券交易所15分钟频率数据，投资模拟进一步在中国A股市场开展。结果显示，Kronos在价格预测、收益预测、波动率预测、K线生成和投资模拟五类任务中整体优于多类主流基准模型；价格预测RankIC相较最强TSFM基线提升约93%，波动率预测MAE相较基准模型下降约9%，生成任务质量提升约22%。在收益预测任务中，Kronos对每只股票未来收益率进行预测，并在截面上计算IC与RankIC；在A股投资模拟中，论文基于逐股票预测收益进行截面排序并构建long-only组合，结果在年化超额收益和信息比率上均优于基准方法。 ⚫优化方向：面向A股量化研究落地，Kronos后续可从五个方向进一步优化：1）数据层：在OHLCVA基础上补充换手率、振幅、波动率等更贴合A股交易结构的衍生特征；2）下游映射：将模型隐含表示或预测收益更直接地转化为截面因子，用于选股排序和组合构建；3）稳健性增强：结合DFQ-Diversify等领域解耦框架，提升模型在风格切换和市场状态变化下的泛化能力；4）生成能力应用：将生成路径用于数据增强、情景模拟和策略压力测试；5）工程路径：优先复用离散化表示、自回归建模和推理采样等模块，逐步嵌入现有量化研究体系。 风险提示 1.量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。2.极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。 目录 1、文献信息：清华大学团队提出Kronos，于AAAI-26会议发布金融基础模型框架...............................................................................................................4 2、推荐理由：K线离散建模框架，实现统一预训练范式...............................4 3、核心框架：先理解市场走势，再统一服务预测与选股任务.......................5 3.1数据离散化：先把连续K线转化为可识别的市场状态..................................................63.2预训练建模：让模型先学习市场如何演化....................................................................73.3多任务统一建模：同一模型输出可转化为预测和选股信号...........................................83.4推理阶段增强：通过多次模拟未来路径提升信号稳定性...............................................8 4、亮点分析：从定制化预训练走向金融基础模型，推动时序表征学习进一步 4.1建模对象：从“价格序列”到“金融市场语言”...................................................................94.2预训练机制：从“任务驱动”到“生成驱动”.....................................................................104.3应用边界：从“服务选股”到“统一任务底座”.................................................................104.4信息处理方式：与DFQ-Diversify的互补关系............................................................104.5体系价值：从“预训练选股模型”走向“金融基础模型”...................................................10 5、实证结果：多任务验证预训练有效性，收益预测可直接服务选股排序....11 5.1论文实验设计与核心结论...........................................................................................115.2结果说明与可复现性 ...................................................................................................12 6、优化方向：结合A股市场特征，探索金融基础模型的本土化落地路径...14 6.1数据层：从通用K线建模走向更贴合A股市场结构的数据表达.................................146.2下游映射：从统一建模能力走向选股与配置任务的有效落地......................................156.3稳健性增强：结合领域解耦框架提升跨周期泛化能力.................................................156.4生成能力：从模型验证拓展至策略研究与风险分析工具.............................................156.5工程路径：从完整框架复现转向模块化落地...............................................................15 7、风险提示...............................................................................................15 图表目录 图1：Kronos多任务性能对比：统一预训练框架在预测与生成任务中显著领先...........................5图2：：Kronos整体框架：从K线离散化到自回归预训练，实现统一金融建模底座...................6图3：K线Tokenizer结构：层次化离散表示实现连续市场信息编码............................................7图4：Kronos模型结构配置：不同规模模型参数与结构对比.......................................................8图5：Kronos主实验结果：在预测、生成与投资模拟任务中均优于主流方法............................12图6：生成分布对比：Kronos生成K线在结构与分布上更接近真实市场数据............................12图7：Kronos消融实验：离散表示与自回归建模显著提升预测性能...........................................13图8：词表规模影响：更细粒度离散表示提升重构与预测表现...................................................13图9：推理增强效果：多路径采样显著提升预测能力..................................................................14 量化投资行业前沿理论与技术迭代提速，海外顶尖量化研究成果中蕴藏着诸多可借鉴的新思路、新框架，为A股量化因子挖掘与策略研发提供重要参考。为此，我们推出量化研究参考系列报告，聚焦海外顶刊、预印本平台发布的量化领域前沿文献，通过深度拆解核心逻辑、实证结果与创新价值，结合A股市场特性及本土投研实践开展适配性分析，提炼可落地的优化方向与应用思路，为投资者提供专业、前沿的研究参考。本期为系列第三篇，重点解析一套面向K线数据的基础模型框架Kronos，探讨基础模型在金融数据预训练方面的应用。 1、文献信息：清华大学团队提出Kronos，于AAAI-26会议发布金融基础模型框架 本次分享的论文由清华大学多位学者联合撰写（Yu Shi、Zongliang Fu、Shuo Chen、Bohan Zhao、Wei Xu、Changshui Zhang、Jian Li等），作者均来自清华大学交叉信息研究院与自动化系。论文发表于国际人工智能顶级会议AAAI 2026（The Fortieth AAAI Conference onArtificial Intelligence, AAAI-26），标题为《Kronos:A Foundation Model for the Language ofFinancial Markets》K