Qu’est-ce que Kronos ?
Kronos est une famille de modèles de fondation à décodeur seul entraînés sur des chandeliers financiers (K-lines) plutôt que sur du texte, par Yu Shi, Jian Li et cinq coauteurs ; l'article a été accepté à AAAI 2026. Un tokeniseur transforme les barres d'ouverture, plus haut, plus bas, clôture et volume en tokens discrets hiérarchiques, et un Transformer autorégressif est préentraîné dessus ; l'article arXiv chiffre le corpus à plus de 12 milliards d'enregistrements K-line provenant de 45 places de marché.
Trois tailles sont ouvertes sur Hugging Face sous MIT : Kronos-mini (4,1M paramètres, contexte de 2 048 tokens), Kronos-small (24,7M) et Kronos-base (102,3M), ces deux derniers avec un contexte de 512 barres. Kronos-large (499,2M) n'est pas publié. Le dépôt fournit une classe KronosPredictor pour les prévisions et une chaîne de fine-tuning et de backtest basée sur Qlib pour le marché chinois des actions A.
Le dépôt GitHub compte environ 44 500 étoiles et une licence MIT. Il n'a pas de versions étiquetées, et le dernier commit date d'avril 2026 ; Kronos-small est téléchargé environ 1,96 million de fois par mois sur Hugging Face.
Kronos vaut-il le coup ?
Kronos vaut d'être utilisé comme point de départ préentraîné pour des barres de prix, pas comme un oracle. Les modèles de fondation généralistes pour séries temporelles ont tendance à sous-performer sur des données financières bruitées, avancent les auteurs ; Kronos apprend plutôt un vocabulaire de motifs de chandeliers issus de 45 places de marché et prédit les barres suivantes comme un modèle de langage prédit des mots. L'article fait état d'un gain de 93 % en RankIC sur le meilleur modèle généraliste de séries temporelles et d'une erreur inférieure de 9 % sur la prévision de volatilité. Ce sont les propres chiffres de benchmark des auteurs.
Les modèles sont petits selon les standards actuels. Kronos-small, le plus téléchargé, compte 24,7M paramètres, et predict_batch prévoit de nombreux actifs en parallèle sur un GPU. L'entrée est un DataFrame pandas avec ouverture, plus haut, plus bas et clôture (volume facultatif) et les horodatages à prévoir, et les réglages d'échantillonnage permettent de tirer plusieurs trajectoires pour une vue probabiliste plutôt qu'une seule courbe.
Le dépôt est franc sur l'écart avec un usage réel. Son exemple de fine-tuning tourne sur les données d'actions A de Qlib avec un backtest top-K simple, et le README le présente comme une démonstration qui ignore coûts de transaction, glissement, neutralisation des facteurs de risque et construction de portefeuille. Il prévient aussi que de nombreux commentaires du code de fine-tuning ont été écrits par Gemini 2.5 Pro et peuvent être faux. Le plus grand modèle, de 499,2M paramètres, n'a pas été publié.
La maintenance est l'autre réserve. Il n'y a pas de versions numérotées, environ 290 issues ouvertes et aucun commit depuis avril 2026 : c'est un artefact d'article que les gens utilisent plutôt qu'une bibliothèque qui évolue. Comme générateur de features ou base de référence dans la propre pile de recherche d'une équipe quant, il mérite un après-midi ; quiconque espère battre le marché depuis un notebook sera déçu, et les auteurs le disent eux-mêmes.
Là où il fait la différence
Un chercheur quant dans un petit fonds systématique
Ajouter un signal de prévision préentraîné à un modèle factoriel existant
Faites tourner Kronos-base sur les barres journalières de l'univers avec predict_batch, injectez les rendements prévus dans l'optimiseur de portefeuille comme signal supplémentaire et jugez-le sur un backtest qui modélise les coûts. Gratuit ; un GPU suffit pour l'inférence.
Un data scientist dans une plateforme d'échange de cryptomonnaies
Prévoir la volatilité à court terme pour des tableaux de bord de risque
Faites un fine-tuning du tokeniseur et de Kronos-small sur les barres de 5 minutes de la plateforme avec les scripts torchrun, puis échantillonnez plusieurs trajectoires par paire pour estimer une bande de volatilité plutôt qu'une prévision ponctuelle.
Une doctorante en finance
Comparer un modèle de fondation spécialisé à des bases de référence classiques
Chargez les trois checkpoints ouverts depuis Hugging Face, reproduisez le cadre zero-shot de l'article sur un marché mis de côté et documentez ses échecs, puisque les gains de l'article sont des mesures des auteurs eux-mêmes.
Avant de vous engager
- Mise en route
- Clonez le dépôt et lancez pip install -r requirements.txt sous Python 3.10+ ; chargez NeoQuasar/Kronos-small et son tokeniseur depuis Hugging Face et appelez KronosPredictor.predict. Le fine-tuning demande aussi pyqlib et des données Qlib préparées en local.
- Intégrations
- DataFrames pandas en entrée et en sortie ; poids sur le Hugging Face Hub ; Qlib pour la chaîne de données et le backtest ; journalisation Comet.ml facultative pendant le fine-tuning.
- Données et confidentialité
- Tourne en local sans appel à un service hébergé hormis le téléchargement des poids. Le code et les poids mini, small et base sont sous MIT, l'usage commercial est donc autorisé. Aucun avis de sécurité publié.
- Coût à grande échelle
- Pas d'édition payante. L'inférence sur les modèles de 24,7M et 102,3M demande un matériel modeste, un seul GPU pour le traitement par lots ; les scripts de fine-tuning supposent torchrun multi-GPU.
- Limites
- Environ 290 issues ouvertes ; aucun commit depuis avril 2026 ; contexte de 512 barres sur small et base ; le backtest est une démonstration simplifiée selon les auteurs eux-mêmes ; Kronos-large n'est pas disponible.
Les points forts
- Préentraîné sur plus de 12 milliards d'enregistrements K-line de 45 places de marché
- Petits modèles ouverts, de 4,1M à 102,3M paramètres
- Prévisions probabilistes par échantillonnage de plusieurs trajectoires
- Licence MIT sur le code et les poids publiés
Les points faibles
- Aucun commit depuis avril 2026 et pas de versions étiquetées
- Le plus grand modèle, de 499,2M, n'est pas publié
- Contexte de 512 barres sur les modèles small et base
- L'exemple de backtest ignore coûts et glissement ; benchmarks autodéclarés
Idéal pour
Les chercheurs quant qui veulent un modèle de chandeliers préentraîné comme base de référence ou source de features et feront leur propre backtest correctement.
Alternatives à Kronos
Kronos : questions fréquentes
- Kronos vaut-il le coup ?
- Un modèle de recherche crédible qui donne aux quants une base préentraînée pour prévoir les chandeliers, pas un système de trading ni un produit maintenu. Nous lui donnons 3.8 sur 5.
- Combien coûte Kronos ?
- Gratuit et open source ; le code et les poids publiés sont sous MIT.
- Quels sont les inconvénients de Kronos ?
- Aucun commit depuis avril 2026 et pas de versions étiquetées; le plus grand modèle, de 499,2M, n'est pas publié; contexte de 512 barres sur les modèles small et base; l'exemple de backtest ignore coûts et glissement ; benchmarks autodéclarés.
- À qui s’adresse Kronos ?
- Les chercheurs quant qui veulent un modèle de chandeliers préentraîné comme base de référence ou source de features et feront leur propre backtest correctement.
- Combien coûte Kronos pour une équipe ou en production ?
- Pas d'édition payante. L'inférence sur les modèles de 24,7M et 102,3M demande un matériel modeste, un seul GPU pour le traitement par lots ; les scripts de fine-tuning supposent torchrun multi-GPU.
- Kronos est-il sûr pour les données de l’entreprise ?
- Tourne en local sans appel à un service hébergé hormis le téléchargement des poids. Le code et les poids mini, small et base sont sous MIT, l'usage commercial est donc autorisé. Aucun avis de sécurité publié.
- Quelles sont les meilleures alternatives à Kronos ?
- Les alternatives les plus proches que nous avons testées sont Hugging Face Transformers.
Réponses vérifiées le 31 oct. 2026.