Kronos-mini — 金融K线(OHLCV)时间序列预测 · 昇腾NPU适配

#NPU

模型简介

• 模型: NeoQuasar/Kronos-mini
• 配套Tokenizer: NeoQuasar/Kronos-Tokenizer-2k
• revision: main (config SHA f4e68697d9d5aed55cef5c96aabc3376bcad9f81)
• 任务类型: time-series-forecasting（金融K线 OHLCV 序列预测）
• 架构: Kronos 两阶段框架 —— 专用 tokenizer（层级离散量化）将连续多维 K 线量化为层次化离散 token，再由自回归 Transformer 预测。
• 参数量: 4.1M（d_model=256, n_layers=4, n_heads=4, s1_bits=10, s2_bits=10，context=2048）
• License: MIT（arXiv 2508.02739）

数据契约

推理脚本按官方 KronosPredictor 契约消费 5分钟金融K线数据，必须包含列：

open, high, low, close, volume, amount（可选 timestamps；缺失 timestamps 时自动按 5min 频率生成）。

• 列顺序固定为 open → high → low → close → volume → amount，脚本会严格校验缺列。
• volume/amount 缺失时按官方行为补零或 volume * mean(price) 填充；存在 NaN 时报错。
• 时间特征：minute, hour, weekday, day, month 由 timestamps 提取，作为时间嵌入输入。
• 预处理：按窗口 mean/std 标准化并裁剪到 [-5, 5]，推理后逆标准化还原价格。
• 本次验证使用真实可追溯序列：shiyu-coder/Kronos 仓库 finetune_csv/data/HK_ali_09988_kline_5min_all.csv （香港阿里 09988，2019-11-26 起 5min K线）。取连续 520 行窗口：lookback=400，pred_len=120。

环境

• 硬件: 单卡昇腾 Ascend910B（本验证设备 Ascend910_9362，npu:0）
• 软件: Python 3.11, torch 2.9.0+cpu, torch_npu 2.9.0.post1+gitee7ba04, transformers 4.57.6, CANN 8.5.1
• 依赖见 requirements.txt

安装

pip install -r requirements.txt
# 下载权重到本地目录（提交仓不含权重）
hf download NeoQuasar/Kronos-mini --local-dir models/Kronos-mini
hf download NeoQuasar/Kronos-Tokenizer-2k --local-dir models/Kronos-Tokenizer-2k

NPU 推理

默认命令（需先下载权重到 models/，数据放到 data/ 或 --data 指定）：

python inference.py
# 可选参数: --model-dir --tokenizer-dir --data --lookback 400 --pred-len 120 --device npu --seed 42

inference.py 为自包含脚本（内联模型/分词器/量化器定义），从本地 models/ 加载同一份权重， 把模型与全部参与计算的 Tensor 显式迁移到 npu:0。异常时返回非零退出码。

真实结果（npu:0）

输入窗口：HK 阿里 09988，400 根 5min K线（2019-11-26 09:35 → 2019-12-04 09:50）， 预测未来 120 个 5min K线（2019-12-04 09:55 → 2019-12-05 15:20）。

预测样例（close，前5个预测点）：

预测为概率采样路径均值（sample_count=1, top_p=0.9, T=1.0）；零样本预测，未在该序列上微调。

一致性（CPU-NPU）

同一权重、同一数据窗口、同一预处理、同一 seed、eval 模式，比较确定性核心计算：

• tokenizer.encode + decode_s1 输出的 s1 logits：max_abs_error = 1.43e-05，PASS
• decode_s2 输出的 s2 logits：max_abs_error = 1.53e-05，PASS
• 判定阈值：atol=1e-4, rtol=1e-3（FP32）

完整预测输出（含随机采样 torch.multinomial）因 CPU/NPU 的 RNG 实现不同会有采样路径差异， close 相关系数 0.92，最大相对偏差约 1.3%；模型核心计算（logits）在两种设备上数值一致， 未发生 CPU fallback（模型参数与全部中间 Tensor 均位于 npu:0）。

性能（npu:0）

batch=1, lookback=400, pred_len=120, 6通道, dtype=float32，预热 3 次、计时 10 次：

证据图

以下图片由 xterm.js 依据本次真实执行日志生成（非手工绘制）：

• assets/agent_workflow.png — 侦察、数据下载、模型加载、NPU 推理、一致性、性能与提交校验流水线日志
• assets/npu_device_call.png — npu-smi、NPU 可用性、设备名、模型参数 device/dtype、输入输出 Tensor device
• assets/model_result.png — 默认 python inference.py 的真实完整输出（含窗口摘要、真实预测、同步耗时与状态）

限制

• 随机采样路径在 CPU/NPU 间 RNG 实现不同，完整预测序列会有采样差异；数值一致性以确定性 logits 为准。
• 本仓不包含权重与数据集，运行前需按「安装」下载权重并准备 OHLCV 数据。
• 时间序列数值一致性为固定窗口验证，不是完整 benchmark 排名。