Awesome-finance-skills源码级深潜：Kronos K线预测与新闻Embedding投影的实现原理

【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills

Awesome-finance-skills 是一套开源免费的金融分析 Agent Skills 技能集，让 LLM 秒变"华尔街分析师"。本文带你深入项目最核心的 alphaear-predictor 技能，用通俗语言讲清两件事：Kronos 模型如何把 K 线序列压缩成"价格词元"、再逐根画回未来曲线；一条新闻又如何通过 384 维 Embedding 向量与一个轻量投影层，悄悄扭转整条预测。

一、先看清全貌：Kronos K线预测的三层结构 💡

整个预测流水线可以拆成"编码 → 生成 → 注入"三层，全部位于 skills/alphaear-predictor/ 技能内：

对外只需调用一个入口——KronosPredictorUtility 单例工具类，它负责加载模型、编码新闻、并输出预测结果。

二、第一关：KronosTokenizer 如何把 K 线"压缩"成词元 🧩

Kronos 借鉴了大语言模型"把文字变成 token"的思路，只不过这里的 token 不是汉字，而是K 线的二进制编码。

分词器 KronosTokenizer 的工作方式分三步：

1. 提特征：一段历史 K 线（开盘、最高、最低、收盘、成交量）先经线性层和编码器 Transformer 提特征；
2. 量化：再送入 BinarySphericalQuantizer（二进制球面量化器，简称 BSQ），把每个时刻的特征向量"四舍五入"到 ±1 的二进制球面上。每个 token 又拆成s1（粗粒度）+ s2（细粒度）两半——就像先确定"价格往哪走"，再细化"具体走多少"；
3. 重建：拿到 token 编号后，decode 把编号还原成比特，再经解码器 Transformer 重建出 K 线数值。

一句话理解：K 线序列 ≈ 一段"价格语言"，量化器是压缩算法，token 就是价格世界的字母。

三、第二关：Kronos 如何逐根"画出"未来 K 线 📈

生成层的核心是 Kronos 模型，由几个精巧部件组成：

• 分层嵌入 HierarchicalEmbedding：s1、s2 各有一套词表 Embedding，拼接后统一投影，让模型"先懂趋势、再看细节"；
• 时间嵌入 TemporalEmbedding：把分钟、小时、星期几、日期、月份分别嵌入后相加，让模型感知"周一效应""月末效应"等时间规律；
• RoPE 注意力 + RMSNorm：现代 Transformer 的标准配置，保障长序列中位置关系的表达；
• 依赖感知层 DependencyAwareLayer：先让 s2 词元通过交叉注意力"关照"整个上下文，再预测细粒度 token，保证粗细两层逻辑自洽。

采样流程（auto_regressive_inference）像"盲写文字"：

1. 用 decode_s1 得到下一时刻 s1 词元的概率分布，按top-p 核采样（默认top_p=0.9）抽一个；
2. 立刻用 decode_s2 在该 s1 条件下抽样出配套的 s2；
3. 新 token 滑入上下文缓冲区（最大窗口 512），循环直到画满预测长度。

最后把多条采样路径取平均削弱随机性，再用历史均值/标准差反归一化回真实价格（predict）。

四、新闻 Embedding 投影：一条新闻如何偏置整条预测 📰

纯技术面预测有个天然短板——不知道"市场发生了什么"。Awesome-finance-skills 的解法极其轻巧：在 Kronos 末尾挂一个线性投影层，把新闻向量注入模型。数据流（kronos_predictor.py）：

1. 新闻文本截断到 1000 字，用 all-MiniLM-L6-v2 句向量模型编码成384 维新闻 Embedding；
2. 投影层news_proj（一个 384 → d_model 的线性层）把它变换到模型维度；
3. 注入方式见 Kronos.forward，核心只有两行：

news_bias = self.news_proj(news_emb).unsqueeze(1) # [B, 1, d_model] x = x + news_bias # 广播加到序列每一个位置

关键就在第二行：新闻不占用任何 token 位置，而是作为一个全局偏置，均匀影响模型对"下一步该生成什么 token"的判断——利空新闻会把整个分布往"下跌词元"方向推，利好则相反。这正是"新闻 Embedding 投影"名字的由来。

五、投影层权重从哪来？"新闻—行情"自动合成训练 🏋️

384 维新闻向量怎么就能懂股价？答案是 AutoSynthesisTrainer 的四步自动合成流水线：

训练完只保存 news_proj 权重（save_model）。仓库已附带预训练好的检查点：kronos_news_v1_20260101_0015.pt。推理时 KronosPredictorUtility 会自动扫描exports/models/加载最新权重，加载失败则优雅降级为纯技术面预测。

六、三步上手：从 K 线数据到预测报告 ✅

1. 准备数据：用 alphaear-stock 技能拉取 OHLCV 历史行情；
2. 调用预测：KronosPredictorUtility.get_base_forecast(df, lookback=20, pred_len=5, news_text=...)，传入最近 20 根 K 线，输出未来 5 个交易日的 KLinePoint 列表；
3. 智能修正：按 PROMPTS.md 中的 Forecast Adjustment 提示词，让 Agent 结合最新新闻对数值做主观微调，生成带"关键逻辑、入场建议、目标位/止损位"的完整报告。

安装只需一步：npx skills add Awesome-finance-skills@alphaear-predictor，或把 skills/ 目录整体拷入 Agent 技能目录（每个技能文件夹需含 SKILL.md）。

七、关键文件速查表 📁

想继续深入，还可以搭配 alphaear-logic-visualizer 生成市场传导链路图、alphaear-sentiment 计算新闻情绪分，让 Kronos K线预测从"单点数值"进化为"有故事的技术面分析"。

【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills