基于 LLM 的 Agent 金融分析系统

📜 简介​

​

🏖️

Kronos 是一个专为金融市场"语言"——K线序列预训练的 decoder-only 基础模型系列。与通用时间序列预测模型（TSFM）不同，Kronos 专门设计用于处理金融数据独特的高噪声特性。它采用创新的两阶段框架：​

​

​

​

​

​

📈 进行预测​

使用 Kronos 进行预测非常简单，只需通过 KronosPredictor 类即可完成。该类处理数据预处理、归一化、预测和反归一化等步骤，让你仅用几行代码就能从原始数据获得预测结果。​

​

📍

重要提示：Kronos-small 和 Kronos-base 的 max_context 值为 512。这是模型能处理的最大序列长度。为获得最佳性能，建议输入数据长度（即 lookback）不要超过此限制。KronosPredictor 会自动处理较长上下文的截断。​

​

加载分词器和模型​

首先，从 Hugging Face Hub 加载预训练的 Kronos 模型及其对应的分词器。​

​

代码块​

Python

from model import Kronos, KronosTokenizer, KronosPredictor​

​

# Load from Hugging Face Hub​

tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")​

model = Kronos.from_pretrained("NeoQuasar/Kronos-small")​

​

实例化预测器​

创建 KronosPredictor 的实例，传入模型、分词器以及所需的设备。​

​

代码块​

Python

# Initialize the predictor​

predictor = KronosPredictor(model, tokenizer, max_context=512)​

​

准备输入数据​

predict 方法需要三个主要输入：​

•

df：包含历史 K 线数据的 pandas DataFrame。必须包含列 ['open', 'high', 'low', 'close']。volume 和 amount 为可选列。​

•

x_timestamp：与 df 中历史数据对应的时间戳 pandas Series。​

•

y_timestamp：你想要预测的未来时间段的时间戳 pandas Series。​

​

代码块​

Python

​

生成预测​

调用 predict 方法生成预测。您可以通过 T、top_p 和 sample_count 等参数控制概率性预测的采样过程。​

​

代码块​

Python

# Generate predictions​

​

predict 方法返回一个 pandas DataFrame，包含 open、high、low、close、volume 和 amount 的预测值，并以您提供的 y_timestamp 作为索引。​

为实现多时间序列的高效处理，Kronos 提供了 predict_batch 方法，支持对多个数据集同时进行并行预测。这在需要一次性预测多个资产或时间段时尤为实用。​

​

代码块​

Python

​

批量预测的重要要求：​

•

所有序列必须具有相同的历史长度（回看窗口）​

•

所有序列必须具有相同的预测长度（pred_len）​

•

每个 DataFrame 必须包含必需列：['open', 'high', 'low', 'close']​

•

volume 和 amount 列为可选列，若缺失将自动填充零值​

predict_batch 方法利用 GPU 并行机制实现高效处理，并自动为每个序列独立执行归一化与反归一化操作。​

示例与可视化​

有关包含数据加载、预测和绘图的完整可运行脚本，请参阅 examples/prediction_example.py。​

运行此脚本将生成一个对比真实数据与模型预测结果的图表，类似于下图所示：​

​

​

此外，我们还提供了一个无需交易量和成交额数据即可进行预测的脚本，可在 examples/prediction_wo_vol_example.py 中找到。​

🔧 使用自有数据进行微调（A股市场示例）​

我们提供了完整的流程，用于在您自己的数据集上对 Kronos 进行微调。作为示例，我们演示了如何使用 Qlib 准备中国A股市场数据并进行简单的回测。​

​

免责声明： 本流程旨在演示微调过程，是一个简化示例而非生产就绪的量化交易系统。稳健的量化策略需要更复杂的技术（如投资组合优化和风险因子中性化）才能获得稳定的阿尔法收益。​

​

微调过程分为四个主要步骤：​

配置：设置路径和超参数​

数据准备：使用 Qlib 处理和拆分数据​

模型微调：微调 Tokenizer 和 Predictor 模型​

回测：评估微调后模型的性能​

环境要求​

首先确保已安装 requirements.txt 中的所有依赖项​

本流程依赖 qlib，请通过以下命令安装：​

​

代码块​

Shell

pip install pyqlib​

​

需要准备 Qlib 数据。请遵循 Qlib 官方指南 下载并在本地设置数据。示例脚本假定您使用日频数据​

步骤一：配置实验​

所有数据、训练和模型路径的设置均集中在 finetune/config.py 中。在运行任何脚本前，请根据您的环境修改以下路径：​

•

qlib_data_path: 您本地 Qlib 数据目录的路径。​

•

dataset_path: 用于保存处理后的训练/验证/测试 pickle 文件的目录。​

•

save_path: 保存模型检查点的基目录。​

•

backtest_result_path: 用于保存回测结果的目录。​

•

pretrained_tokenizer_path 和 pretrained_predictor_path: 您希望从中开始训练的预训练模型路径（可以是本地路径或 Hugging Face 模型名称）。​

您还可以调整其他参数，如 instrument、train_time_range、epochs 和 batch_size，以适应您的具体任务。如果不使用 Comet.ml，请设置 use_comet = False。​

步骤 2：准备数据集​

运行数据预处理脚本。该脚本将从您的 Qlib 目录加载原始市场数据，进行处理，将其分割为训练集、验证集和测试集，并保存为 pickle 文件。​

​

代码块​

Shell

python finetune/qlib_data_preprocess.py​

​

运行后，您将在配置文件中 dataset_path 指定的目录中找到 train_data.pkl、val_data.pkl 和 test_data.pkl。​

步骤 3：运行微调​

微调过程包含两个阶段：首先微调分词器，然后微调预测器。两个训练脚本均设计为使用 torchrun 进行多 GPU 训练。​

3.1 微调分词器​

此步骤调整分词器以适应您特定领域的数据分布。​

​

代码块​

Shell

# Replace NUM_GPUS with the number of GPUs you want to use (e.g., 2)​

torchrun --standalone --nproc_per_node=NUM_GPUS finetune/train_tokenizer.py​

​

最佳分词器检查点将被保存到 config.py 中配置的路径（该路径由 save_path 和 tokenizer_save_folder_name 派生而来）。​

3.2 微调预测器​

此步骤针对预测任务微调主要的 Kronos 模型。​

​

代码块​

Shell

# Replace NUM_GPUS with the number of GPUs you want to use (e.g., 2)​

​

最佳预测器检查点将被保存到 config.py 中配置的路径。​

步骤 4：通过回测进行评估​

最后，运行回测脚本来评估您微调后的模型。该脚本会加载模型，在测试集上执行推理，生成预测信号（例如，预测价格变动），并运行一个简单的 Top-K 策略回测。​

​

代码块​

Shell

# Specify the GPU for inference​

python finetune/qlib_test.py --device cuda:0​

​

脚本将在控制台输出详细的性能分析，并生成一张图表，显示您的策略相对于基准的累计收益曲线，类似于下图所示：​

​

​

💡 从演示到生产：重要注意事项​

•

原始信号 vs. 纯Alpha: 本演示中模型生成的信号为原始预测。在实际量化工作流中，这些信号通常会被输入投资组合优化模型。该模型会施加约束以对冲常见风险因子（如市场Beta、规模和价值等风格因子）的敞口，从而分离出**"纯Alpha"**并提升策略的稳健性。​

•

数据处理: 提供的 QlibDataset 是一个示例。对于不同的数据源或格式，您需要调整数据加载和预处理逻辑。​

•

策略与回测复杂性: 此处使用的简单Top-K策略是一个基础起点。生产级策略通常包含更复杂的投资组合构建逻辑、动态头寸规模调整和风险管理（如止盈止损规则）。此外，高保真度的回测应精细地模拟交易成本、滑点及市场冲击，以更准确地评估实际表现。​

​