¿Qué es Kronos?
Kronos es una familia de modelos fundacionales solo decodificador entrenados con velas financieras (K-lines) en lugar de texto, obra de Yu Shi, Jian Li y cinco coautores; el artículo fue aceptado en AAAI 2026. Un tokenizador convierte las barras de apertura, máximo, mínimo, cierre y volumen en tokens discretos jerárquicos, y un Transformer autorregresivo se preentrena con ellos; el artículo de arXiv cifra el corpus en más de 12.000 millones de registros K-line de 45 bolsas.
Tres tamaños están abiertos en Hugging Face bajo MIT: Kronos-mini (4,1M parámetros, contexto de 2.048 tokens), Kronos-small (24,7M) y Kronos-base (102,3M), estos dos con un contexto de 512 barras. Kronos-large (499,2M) no se ha publicado. El repositorio incluye una clase KronosPredictor para las predicciones y un pipeline de fine-tuning y backtest basado en Qlib para el mercado chino de acciones A.
El repositorio de GitHub tiene unas 44.500 estrellas y licencia MIT. No tiene versiones etiquetadas, y el último commit fue en abril de 2026; Kronos-small se descarga unos 1,96 millones de veces al mes en Hugging Face.
¿Merece la pena Kronos?
Kronos vale la pena como punto de partida preentrenado para barras de precios de mercado, no como oráculo. Los modelos fundacionales generales de series temporales suelen rendir peor con datos financieros ruidosos, sostienen los autores; Kronos, en cambio, aprende un vocabulario de patrones de velas de 45 bolsas y predice las siguientes barras como un modelo de lenguaje predice palabras. El artículo informa de una mejora del 93 % en RankIC sobre el principal modelo general de series temporales y de un error un 9 % menor en la predicción de volatilidad. Son cifras de benchmark de los propios autores.
Los modelos son pequeños para lo que se estila hoy. Kronos-small, el más descargado, tiene 24,7M parámetros, y predict_batch predice muchos activos en paralelo en una GPU. La entrada es un DataFrame de pandas con apertura, máximo, mínimo y cierre (volumen opcional) y las marcas de tiempo que quieres predecir, y los ajustes de muestreo permiten generar varias trayectorias para una visión probabilística en lugar de una sola línea.
El repositorio es franco sobre la distancia con el uso real. Su ejemplo de fine-tuning funciona con los datos de acciones A de Qlib y un backtest top-K sencillo, y el README lo llama una demostración que ignora costes de transacción, deslizamiento, neutralización de factores de riesgo y construcción de carteras. También advierte de que muchos comentarios del código de fine-tuning los escribió Gemini 2.5 Pro y pueden estar mal. El modelo más grande, de 499,2M parámetros, no se ha publicado.
El mantenimiento es la otra advertencia. No hay versiones numeradas, hay unas 290 issues abiertas y ningún commit desde abril de 2026, así que es un artefacto de un artículo que la gente usa, más que una biblioteca que evoluciona. Como generador de features o base dentro del stack de investigación propio de un equipo quant merece una tarde; quien espere batir al mercado desde un notebook se llevará una decepción, y los autores lo dicen claramente.
Dónde se gana su sitio
Un investigador quant en un pequeño fondo sistemático
Añadir una señal de predicción preentrenada a un modelo de factores existente
Ejecuta Kronos-base sobre barras diarias del universo con predict_batch, pasa los rendimientos previstos al optimizador de cartera como una señal más y júzgalo con un backtest que modele los costes. Gratis; una GPU basta para la inferencia.
Un científico de datos en un exchange de criptomonedas
Predecir la volatilidad a corto plazo para paneles de riesgo
Haz fine-tuning del tokenizador y de Kronos-small con las barras de 5 minutos del propio exchange usando los scripts de torchrun, y luego muestrea varias trayectorias por par para estimar una banda de volatilidad en lugar de una predicción puntual.
Una estudiante de doctorado en finanzas
Comparar un modelo fundacional de dominio con bases clásicas
Carga los tres checkpoints abiertos desde Hugging Face, reproduce el escenario zero-shot del artículo en un mercado reservado y documenta dónde falla, ya que las mejoras del artículo son mediciones de los propios autores.
Antes de decidirte
- Puesta en marcha
- Clona el repositorio y ejecuta pip install -r requirements.txt en Python 3.10+; carga NeoQuasar/Kronos-small y su tokenizador desde Hugging Face y llama a KronosPredictor.predict. El fine-tuning también necesita pyqlib y datos de Qlib preparados en local.
- Integraciones
- DataFrames de pandas de entrada y salida; pesos en el Hugging Face Hub; Qlib para el pipeline de datos y el backtest; registro opcional en Comet.ml durante el fine-tuning.
- Datos y privacidad
- Se ejecuta en local sin llamadas a servicios alojados más allá de descargar los pesos. El código y los pesos mini, small y base son MIT, así que se permite el uso comercial. Sin avisos de seguridad publicados.
- Coste a escala
- No hay edición de pago. La inferencia con los modelos de 24,7M y 102,3M necesita hardware modesto, una sola GPU para trabajo por lotes; los scripts de fine-tuning presuponen torchrun con varias GPU.
- Límites
- Unas 290 issues abiertas; sin commits desde abril de 2026; contexto de 512 barras en small y base; el backtest es una demostración simplificada según los propios autores; Kronos-large no está disponible.
Lo bueno
- Preentrenado con más de 12.000 millones de registros K-line de 45 bolsas
- Modelos abiertos pequeños, de 4,1M a 102,3M parámetros
- Predicciones probabilísticas muestreando varias trayectorias
- Licencia MIT en el código y los pesos publicados
Lo malo
- Sin commits desde abril de 2026 y sin versiones etiquetadas
- El modelo más grande, de 499,2M, no se publica
- Contexto de 512 barras en los modelos small y base
- El ejemplo de backtest ignora costes y deslizamiento; los benchmarks son autodeclarados
Ideal para
Investigadores quant que quieren un modelo de velas preentrenado como base o fuente de features y harán su propio backtesting como es debido.
Alternativas a Kronos
Kronos: preguntas frecuentes
- ¿Merece la pena Kronos?
- Un modelo de investigación creíble que da a los quants una base preentrenada para predecir velas, no un sistema de trading ni un producto mantenido. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta Kronos?
- Gratuito y de código abierto; el código y los pesos publicados son MIT.
- ¿Qué inconvenientes tiene Kronos?
- Sin commits desde abril de 2026 y sin versiones etiquetadas; el modelo más grande, de 499,2M, no se publica; contexto de 512 barras en los modelos small y base; el ejemplo de backtest ignora costes y deslizamiento; los benchmarks son autodeclarados.
- ¿Para quién es Kronos?
- Investigadores quant que quieren un modelo de velas preentrenado como base o fuente de features y harán su propio backtesting como es debido.
- ¿Cuánto cuesta Kronos para un equipo o en producción?
- No hay edición de pago. La inferencia con los modelos de 24,7M y 102,3M necesita hardware modesto, una sola GPU para trabajo por lotes; los scripts de fine-tuning presuponen torchrun con varias GPU.
- ¿Es Kronos seguro para los datos de la empresa?
- Se ejecuta en local sin llamadas a servicios alojados más allá de descargar los pesos. El código y los pesos mini, small y base son MIT, así que se permite el uso comercial. Sin avisos de seguridad publicados.
- ¿Cuáles son las mejores alternativas a Kronos?
- Las alternativas más cercanas que hemos analizado son Hugging Face Transformers.
Respuestas comprobadas el 31 oct 2026.