本仓库为 NeoQuasar/Kronos-small(金融 K 线 / OHLCV 时间序列预测基础模型)的昇腾 NPU(Ascend910)适配模型仓,包含自包含推理脚本、真实 NPU 推理结果与一致性/性能证据。
#NPU #Ascend #Ascend910 #时间序列预测 #K线 #Kronos
Kronos 是首个面向金融 K 线(OHLCV)的开源基础模型,采用两阶段结构:
本仓适配的 Kronos-small 参数量 24.7M,上下文长度 512,配合 Kronos-Tokenizer-base 使用。
| 项目 | 值 |
|---|---|
| 模型 | NeoQuasar/Kronos-small (revision 901c26c1332695a2a8f243eb2f37243a37bea320) |
| Tokenizer | NeoQuasar/Kronos-Tokenizer-base |
| 任务 | 时间序列预测(金融 K 线 OHLCV 预测) |
| 架构 | 两阶段:BSQ tokenizer + decoder-only Transformer(8 层,d_model=512,8 heads) |
| 参数量 | 24.74M(模型)+ 3.96M(tokenizer) |
| 默认 dtype | float32 |
| 最大 context | 512 |
验证数据为 Kronos 官方仓库提供的真实港股 K 线样例 HK_ali_09988_kline_5min_all.csv(阿里巴巴 09988,5 分钟线):
GitHub_Trending/kronos14/Kronos(对应官方 GitHub 仓库 shiyu-coder/Kronos)65725aeebc3de8f59725f9b717b8621a1ce80b014288a6d64e05ac7a303f527ftimestamps, open, close, high, low, volume, amount默认推理配置:lookback=400(历史窗口,≤ context 512)、pred_len=120(预测 120 根 K 线,10 小时)。
输入校验(inference.py 自动执行):缺少价格列、含 NaN、时间戳非法均报错退出。volume/amount 缺失时自动补零,amount 缺失时按 volume * mean(price) 估算,列顺序固定为 open, high, low, close, volume, amount。
torch.npu.get_device_name(0) = Ascend910_9362)/usr/local/Ascend/cann-8.5.1)pip install -r requirements.txt模型权重与 tokenizer 优先从本地快照加载(环境变量指定路径);未提供时自动回退到 HuggingFace Hub:
export KRONOS_MODEL_DIR=/path/to/Kronos-small
export KRONOS_TOKENIZER_DIR=/path/to/Kronos-Tokenizer-basepython inference.py --data your_kline.csv --lookback 400 --pred-len 120默认 python inference.py 使用当前目录的 HK_ali_09988_kline_5min.csv。脚本自动把模型与全部参与计算的 Tensor 迁移到 npu:0,日志打印模型名、任务、device、dtype、首个参数 device、数据摘要、预测摘要与同步耗时。
数据:阿里 09988 5 分钟 K 线前 400 根为历史窗口,预测后续 120 根。seed=2026, T=1.0, top_p=0.9, sample_count=1。
| 指标 | 值 |
|---|---|
| 预测行数 | 120 |
| close 均值 | 190.9516 |
| close 标准差 | 4.1445 |
| close 范围 | [185.5969, 197.3144] |
| 单次推理耗时(含首次编译) | 1.703 s |
| 退出码 | 0 |
预测输出前 6 行(open/high/low/close/volume/amount,时间戳为 y_timestamp):
2019-12-04 09:55:00 186.626144 186.628571 186.283966 186.287323 557473.5 ...
2019-12-04 10:00:00 186.318451 186.346100 186.095154 186.130463 349154.4 ...
2019-12-04 10:05:00 186.194229 186.344269 186.095306 186.274078 468997.8 ...
2019-12-04 10:10:00 186.078522 186.574707 185.940689 186.453674 524302.1 ...
2019-12-04 10:15:00 186.217590 186.679871 186.024536 186.511520 516510.9 ...
2019-12-04 10:20:00 186.564560 186.762665 186.454620 186.602554 491114.7 ...相同权重、输入、预处理、dtype 与随机种子下,对模型确定性核心(tokenizer encode、decode_s1、decode_s2)做 CPU 与 NPU 对比:
| 输出 | shape | max abs error | 结论 |
|---|---|---|---|
s1_logits | (1,400,1024) | 3.05e-05 | PASS (atol=1e-4, rtol=1e-3) |
s2_logits | (1,400,1024) | 3.43e-05 | PASS |
context | (1,400,512) | 1.25e-06 | PASS |
s1_ids / s2_ids | (1,400) | 0(完全一致) | PASS |
说明:Kronos 为自回归 token 采样模型,CPU 与 NPU 的 RNG 实现不同,完整预测轨迹不逐 token 相同;本仓以确定性模型核心输出的数值一致性作为正确性证据,完整预测作为端到端业务结果。CPU 上同样
seed=2026的 close 均值为 190.8585,与 NPU 的 190.9516 一致。
预热 3 次、正式测试 10 次,lookback=400, pred_len=120, sample_count=1:
| 指标 | 值 |
|---|---|
| 平均耗时 | 1.309 s |
| min / max | 1.273 / 1.379 s |
| p50 / p90 / p95 | 1.296 / 1.345 / 1.362 s |
| 吞吐 | 0.764 series/s |
| 峰值 NPU 显存 | ≈187 MB(单卡 64GB HBM,余量充足) |
| 首次运行(含编译) | 1.681 s;稳定运行 1.235 s |
CPU 基线(48 核)单次 46.56 s,NPU 加速约 31×。
以下三张证据图由 xterm.js 根据本次任务真实日志生成(--style raw),非手工绘制:
— 侦察、数据检查、下载、加载、NPU 推理、一致性、benchmark、提交校验
— npu-smi、NPU 可用性、设备名、模型参数 device/dtype、Tensor device
— 默认 python inference.py 的真实完整输出T=1.0, top_p=0.9),存在随机性;如需稳定对比请固定 seed。amount 在样例中部分为 0,模型对该列的预测主要反映原始数据的均值/方差。KRONOS_MODEL_DIR 指向本地快照。