标签:#NPU #Ascend #Ascend910 #TimeSeries #Kronos #KLine #Financial #Forecasting
Kronos 是首个开源金融 K 线(Candlestick / K-line)基础模型,在超过 45 个全球交易所、120 亿条 K 线记录上预训练。它采用「两阶段」框架:先由专用 tokenizer(Kronos-Tokenizer-base)将连续多维 OHLCV 数据量化为层级离散 token(Binary Spherical Quantization,BSQ,s1_bits=10 + s2_bits=10),再由大规模自回归 Transformer 在这些 token 上预训练,统一完成价格序列预测、波动率预测与合成数据生成等量化任务。
本仓库适配的是 NeoQuasar/Kronos-small 自回归预测模型(24.7M 参数,8 层 Transformer,d_model=512),配合 NeoQuasar/Kronos-Tokenizer-base tokenizer 在昇腾 NPU 上完成零样本 K 线预测。
901c26c1)0e011738)| 项 | 值 |
|---|---|
| 默认数据 | 官方示例 XSHG_5min_600977.csv(上交所 600977,5 分钟 K 线,520 行) |
| 输入列 | timestamps, open, high, low, close, volume, amount(volume/amount 可缺省,缺省时自动填 0) |
| 轴顺序 | [seq_len, 6](OHLCV) |
| 上下文窗口 | 默认 512 根 K 线(--lookback,不超过 max_context=512) |
| 预测长度 | 默认 8 根 K 线(--pred-len) |
| 频率 | 5 分钟(时间特征:minute/hour/weekday/day/month 由官方 calc_time_stamps 生成) |
| 缩放 | 官方按列 z-score((x-mean)/(std+1e-5))并在生成后逆归一化,clip=5 |
推理脚本会校验必选列(open/high/low/close)、时间戳可解析性与窗口边界;预测窗口不得越过数据边界。volume/amount 缺失时按官方行为补 0 或由 volume 与均价推导。
| 项目 | 值 |
|---|---|
| 主机 | Atlas 800(昇腾 910B) |
| NPU | Ascend910_9362(单卡 npu:0) |
| CANN | cann-8.5.1(ASCEND_TOOLKIT_HOME=/usr/local/Ascend/cann-8.5.1) |
| Python | 3.11.14 |
| torch | 2.9.0+cpu |
| torch_npu | 2.9.0.post1+gitee7ba04 |
| numpy | 1.26.4 |
| einops | 0.8.1 |
torch.npu.is_available() == True,设备数 2,目标设备明确为 npu:0。
pip install numpy pandas einops==0.8.1 safetensors huggingface_hub torch torch_npu权重先下载到本地 model/ 与 tokenizer/ 目录,再从本地加载(正式推理不隐式联网下载);缺权重时脚本会用 huggingface_hub.snapshot_download 自动拉取一次(遵循 HF_ENDPOINT 镜像):
# 方式一:自动下载权重后运行(默认 npu:0)
python inference.py
# 方式二:显式指定本地权重目录与设备
MODEL_DIR=/path/to/model TOKENIZER_DIR=/path/to/tokenizer \
python inference.py --device npu:0 --lookback 512 --pred-len 8
# 方式三:使用用户 CSV(同 schema:timestamps,open,high,low,close,volume,amount)
DATA_FILE=/path/to/kline.csv python inference.py默认输出为 8 根预测 K 线(open/high/low/close/volume/amount),并打印模型信息、输入输出摘要、设备与最终状态。
基于官方示例数据 XSHG_5min_600977(前 512 根为上下文),零样本预测其后 8 根 5 分钟 K 线:
| timestamps | open | high | low | close | volume | amount |
|---|---|---|---|---|---|---|
| 2024-07-03 09:55 | 10.8975 | 10.9310 | 10.8000 | 10.9180 | 1545.14 | 1.6660e6 |
| 2024-07-03 10:00 | 10.9006 | 10.9080 | 10.8718 | 10.8843 | 719.92 | 7.9204e5 |
| 2024-07-03 10:05 | 10.8824 | 10.8907 | 10.8649 | 10.8738 | 659.09 | 7.1655e5 |
| 2024-07-03 10:10 | 10.8712 | 10.8812 | 10.8579 | 10.8672 | 629.61 | 6.8149e5 |
| 2024-07-03 10:15 | 10.8645 | 10.8756 | 10.8533 | 10.8633 | 607.79 | 6.5679e5 |
| 2024-07-03 10:20 | 10.8614 | 10.8727 | 10.8512 | 10.8614 | 591.31 | 6.3840e5 |
| 2024-07-03 10:25 | 10.8601 | 10.8713 | 10.8502 | 10.8603 | 580.63 | 6.2646e5 |
| 2024-07-03 10:30 | 10.8588 | 10.8700 | 10.8490 | 10.8591 | 572.12 | 6.1689e5 |
预测值与官方 regression fixture(tests/data/regression_output_512.csv)在 rtol=1e-5 量级一致,验证了权重加载与数值管线正确性。
相同权重、相同数据、相同 seed 与预处理(top_k=1, top_p=1.0, T=1.0, sample_count=1):
| 指标 | 值 |
|---|---|
| 输出形状 | (8, 6)(CPU 与 NPU 完全一致) |
| open/high/low/close 最大绝对误差 | 0.0(逐位一致) |
| volume 最大绝对误差 | 3.66e-4 |
| amount 最大绝对误差 | 0.5625(相对误差 ~3.5e-7) |
np.allclose(atol=1e-4, rtol=1e-3) | PASS |
价格列在 CPU 与 NPU 上逐位一致;volume/amount 因反量化数值路径的少量浮点差异在 rtol=1e-3 内一致。该一致性属于固定窗口 smoke consistency。
| 项 | 值 |
|---|---|
| 预热 | 3 次 |
| 正式测试 | 10 次 |
| 平均耗时 | 79.31 ms / 次(context=512, pred_len=8) |
| 最小值 / 最大值 | 78.42 / 80.25 ms |
| p50 / p90 / p95 | 79.18 / 79.94 / 80.09 ms |
| 峰值显存增量 | ~57 MB(HBM 3113→3170 MB,模型约 99MB FP32) |
| 单位吞吐 | ~126 bars/s(8 根 / 79.31ms) |
预处理(DataFrame 与归一化)与逆归一化均计入单次耗时。每轮前后调用 torch.npu.synchronize()。
以下三张图片由 xterm.js 根据本次真实日志生成(--style raw),仅展示本次适配与推理的实际输出,非手工绘制:
assets/agent_workflow.png:侦察、下载、NPU 推理、一致性、基准测试与提交校验全流程日志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 deviceassets/model_result.png:默认 python inference.py 的真实完整输出(数据窗口摘要、真实预测、同步耗时与状态)top_k=1 贪心解码以保持可复现;实际业务可改用温度/核采样(T、top_p、sample_count)。auto_regressive_inference 自动截断到最近 512 根。