Kronos：基于 K 线预训练的金融基础模型研究

摘要： 本报告详细解读了由清华大学提出的面向金融时间序列的基础模型框架 Kronos。该模型通过将连续 K 线数据离散化为结构化的“市场状态序列”，并利用自回归预训练学习市场演化规律，构建了一个可统一服务于价格、收益、波动率预测、K 线生成和投资模拟的金融建模底座。

核心观点：
Kronos 推动量化研究从“任务驱动”转向“生成驱动”的预训练范式。其核心价值在于不再依赖单一的预测目标，而是通过统一的表示学习，将收益预测结果转化为截面排序信号，从而能够高效嵌入量化选股框架，提供更稳定、泛化能力更强的投资信号。

论据支撑：

1. 性能领先：实证显示 Kronos 在价格预测的 RankIC 较最强 TSFM 基线提升约 93%，波动率预测 MAE 下降约 9%，在 A 股投资模拟的年化超额收益和信息比率上均优于基准方法。
2. 机制有效：消融实验证明，离散空间建模在处理高噪声金融时序时优于连续空间回归，且“粗粒度到细粒度”的层次化预测更符合市场特征。
3. 推理增强：通过多路径采样生成未来路径并聚合结果，可有效降低单次预测误差，提升排序信号的稳定性。

局限性/风险：

1. 本土化适配：通用 K 线建模对 A 股特有交易结构（如涨跌停、换手率分化）的刻画不足，需补充衍生特征。
2. 泛化挑战：在风格剧烈切换的环境下，单纯依赖预训练表示可能面临压力，需结合领域解耦等稳健性增强机制。
3. 模型风险：量化模型存在历史数据失效风险，且极端市场环境可能导致收益大幅亏损。