Was ist Kronos?
Kronos ist eine Familie von Decoder-only-Foundation-Models, die auf Finanzkerzen (K-Lines) statt auf Text trainiert wurden, von Yu Shi, Jian Li und fünf Koautoren; das Paper wurde für AAAI 2026 angenommen. Ein Tokenizer wandelt Bars aus Eröffnung, Hoch, Tief, Schluss und Volumen in hierarchische diskrete Tokens um, und ein autoregressiver Transformer wird darauf vortrainiert; das arXiv-Paper beziffert das Korpus auf mehr als 12 Milliarden K-Line-Datensätze von 45 Börsen.
Drei Größen sind auf Hugging Face unter MIT offen: Kronos-mini (4,1M Parameter, 2.048 Tokens Kontext), Kronos-small (24,7M) und Kronos-base (102,3M), die beiden mit 512 Bars Kontext. Kronos-large (499,2M) ist nicht veröffentlicht. Das Repo liefert eine KronosPredictor-Klasse für Prognosen und eine Qlib-basierte Pipeline für Fine-Tuning und Backtest für den chinesischen A-Aktien-Markt.
Das GitHub-Repo hat etwa 44.500 Sterne und eine MIT-Lizenz. Es gibt keine getaggten Releases, und der letzte Commit war im April 2026; Kronos-small wird auf Hugging Face etwa 1,96 Millionen Mal im Monat heruntergeladen.
Lohnt sich Kronos?
Kronos lohnt sich als vortrainierter Ausgangspunkt für Kurs-Bars, nicht als Orakel. Allgemeine Time-Series-Foundation-Models schneiden bei verrauschten Finanzdaten oft schlechter ab, argumentieren die Autoren; Kronos lernt stattdessen ein Vokabular von Kerzenmustern aus 45 Börsen und sagt die nächsten Bars so voraus, wie ein Sprachmodell Wörter vorhersagt. Das Paper meldet 93 % mehr RankIC als das führende allgemeine Time-Series-Modell und 9 % geringeren Fehler bei Volatilitätsprognosen. Das sind die eigenen Benchmark-Zahlen der Autoren.
Die Modelle sind nach heutigen Maßstäben klein. Kronos-small, das meistgeladene, hat 24,7M Parameter, und predict_batch prognostiziert viele Assets parallel auf einer GPU. Eingabe ist ein pandas-DataFrame mit Eröffnung, Hoch, Tief und Schluss (Volumen optional) und den Zeitstempeln, die prognostiziert werden sollen, und mit Sampling-Einstellungen lassen sich mehrere Pfade ziehen, für eine probabilistische Sicht statt einer einzigen Linie.
Das Repo ist offen, was die Lücke zum echten Einsatz angeht. Sein Fine-Tuning-Beispiel läuft auf Qlibs A-Aktien-Daten mit einem einfachen Top-K-Backtest, und das README nennt es eine Demonstration, die Transaktionskosten, Slippage, Risikofaktor-Neutralisierung und Portfoliokonstruktion ignoriert. Es warnt außerdem, dass viele Kommentare im Fine-Tuning-Code von Gemini 2.5 Pro geschrieben wurden und falsch sein können. Das größte Modell mit 499,2M Parametern ist nicht veröffentlicht.
Die Pflege ist der andere Vorbehalt. Es gibt keine versionierten Releases, etwa 290 offene Issues und keine Commits seit April 2026, es ist also ein Paper-Artefakt, das Leute nutzen, keine Bibliothek, die sich weiterentwickelt. Als Feature-Generator oder Baseline im eigenen Research-Stack eines Quant-Teams ist es einen Nachmittag wert; wer erwartet, damit aus einem Notebook heraus den Markt zu schlagen, wird enttäuscht, und die Autoren sagen das selbst.
Wo es sich lohnt
Ein Quant-Forscher bei einem kleinen systematischen Fonds
Einem bestehenden Faktormodell ein vortrainiertes Prognosesignal hinzufügen
Lass Kronos-base mit predict_batch über tägliche Bars des Universums laufen, gib die prognostizierten Renditen als weiteres Signal in den Portfolio-Optimierer und beurteile es mit einem Backtest, der Kosten modelliert. Kostenlos; eine GPU reicht für die Inferenz.
Ein Data Scientist bei einer Kryptobörse
Kurzfristige Volatilität für Risiko-Dashboards prognostizieren
Den Tokenizer und Kronos-small mit den torchrun-Skripten auf den eigenen 5-Minuten-Bars der Börse feintunen, dann pro Paar mehrere Pfade sampeln, um ein Volatilitätsband statt einer Punktprognose zu schätzen.
Eine Doktorandin in Finance
Ein domänenspezifisches Foundation Model mit klassischen Baselines vergleichen
Die drei offenen Checkpoints von Hugging Face laden, das Zero-Shot-Setting des Papers auf einem zurückgehaltenen Markt nachstellen und festhalten, wo es versagt, denn die Gewinne im Paper sind Messungen der Autoren selbst.
Bevor du dich festlegst
- Einrichtung
- Repo klonen und pip install -r requirements.txt auf Python 3.10+ ausführen; NeoQuasar/Kronos-small und seinen Tokenizer von Hugging Face laden und KronosPredictor.predict aufrufen. Fine-Tuning braucht zusätzlich pyqlib und lokal vorbereitete Qlib-Daten.
- Integrationen
- Pandas-DataFrames rein und raus; Gewichte im Hugging Face Hub; Qlib für Datenpipeline und Backtest; optionales Comet.ml-Logging beim Fine-Tuning.
- Daten und Datenschutz
- Läuft lokal ohne gehostete Aufrufe außer dem Herunterladen der Gewichte. Code und die Gewichte mini, small und base stehen unter MIT, kommerzielle Nutzung ist also erlaubt. Keine Sicherheitshinweise veröffentlicht.
- Kosten im großen Maßstab
- Keine kostenpflichtige Edition. Inferenz mit den Modellen mit 24,7M und 102,3M braucht bescheidene Hardware, eine einzelne GPU für Batch-Arbeit; die Fine-Tuning-Skripte setzen torchrun mit mehreren GPUs voraus.
- Grenzen
- Etwa 290 offene Issues; keine Commits seit April 2026; 512 Bars Kontext bei small und base; der Backtest ist nach Beschreibung der Autoren eine vereinfachte Demonstration; Kronos-large ist nicht verfügbar.
Was gut ist
- Vortrainiert auf mehr als 12 Milliarden K-Line-Datensätzen von 45 Börsen
- Kleine offene Modelle, 4,1M bis 102,3M Parameter
- Probabilistische Prognosen durch Sampling mehrerer Pfade
- MIT-Lizenz für Code und veröffentlichte Gewichte
Was nicht
- Keine Commits seit April 2026 und keine getaggten Releases
- Größtes Modell mit 499,2M zurückgehalten
- 512 Bars Kontext bei small und base
- Backtest-Beispiel ignoriert Kosten und Slippage; Benchmarks selbst gemeldet
Am besten für
Quant-Forscher, die ein vortrainiertes Kerzenmodell als Baseline oder Feature-Quelle wollen und ihr Backtesting selbst sauber machen.
Alternativen zu Kronos
Kronos: häufige Fragen
- Lohnt sich Kronos?
- Ein glaubwürdiges Forschungsmodell, das Quants eine vortrainierte Basis für Kerzenprognosen gibt, kein Handelssystem und kein gepflegtes Produkt. Wir bewerten es mit 3.8 von 5.
- Was kostet Kronos?
- Kostenlos und Open Source; Code und veröffentlichte Gewichte stehen unter MIT.
- Welche Nachteile hat Kronos?
- Keine Commits seit April 2026 und keine getaggten Releases; Größtes Modell mit 499,2M zurückgehalten; 512 Bars Kontext bei small und base; Backtest-Beispiel ignoriert Kosten und Slippage; Benchmarks selbst gemeldet.
- Für wen eignet sich Kronos?
- Quant-Forscher, die ein vortrainiertes Kerzenmodell als Baseline oder Feature-Quelle wollen und ihr Backtesting selbst sauber machen.
- Was kostet Kronos für ein Team oder im Produktivbetrieb?
- Keine kostenpflichtige Edition. Inferenz mit den Modellen mit 24,7M und 102,3M braucht bescheidene Hardware, eine einzelne GPU für Batch-Arbeit; die Fine-Tuning-Skripte setzen torchrun mit mehreren GPUs voraus.
- Ist Kronos sicher für Firmendaten?
- Läuft lokal ohne gehostete Aufrufe außer dem Herunterladen der Gewichte. Code und die Gewichte mini, small und base stehen unter MIT, kommerzielle Nutzung ist also erlaubt. Keine Sicherheitshinweise veröffentlicht.
- Was sind die besten Alternativen zu Kronos?
- Die nächsten Alternativen, die wir getestet haben, sind Hugging Face Transformers.
Antworten geprüft am 31. Okt. 2026.