【东方证券】量化研究参考系列之五：Kronos：基于K线预训练的金融基础模型-260518（17页）.pdf

1、 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。金融工程|专题报告 研究结论研究结论 文献信息：文献信息：本次分享的论文由清华大学多位学者联合撰写，作者均来自清华大学交叉信息研究院与自动化系。论文发表于国际人工智能顶级会议 AAAI 2026（The Fortieth AAAI Conference on Artificial Intelligence,AAAI-26），标题为标题为Kronos:A Foundation Model for the Language of Financial Mark

2、etsKronos：基于：基于 K线预训练的金融基础模型线预训练的金融基础模型。推荐推荐理由理由：论文提出了一套面向金融时间序列的基础模型框架论文提出了一套面向金融时间序列的基础模型框架Kronos。该框架并不是直接预测“明天涨跌”，而是先将 K 线转化为结构化的“市场状态序列”，再通过预训练学习市场走势如何演化。模型可在统一框架下完成价格预测、收益预测、波动率预测、K 线生成和投资模拟等任务。其中，收益预测结果可以进一步转化为逐股票未来收益率预测，并通过截面排序形成选股信号，因此具备嵌入量化选股框架的应用潜力。核心框架核心框架：Kronos 的核心流程可概括为“先理解市场走势，再服务预测与选

3、股任务”。1）数据离散化：）数据离散化：将连续 K 线转化为粗粒度与细粒度 token，使模型先识别趋势、波动和局部扰动等市场状态；2）自回归预训练：）自回归预训练：基于历史 token 预测未来 token，让模型学习市场状态如何随时间演化；3）多任务统一建模：）多任务统一建模：基于同一市场表示输出价格、收益、波动率和未来路径，其中收益预测可进一步用于股票排序；4）推理阶段增强：）推理阶段增强：通过多次生成未来路径降低单次预测误差，使最终预测结果和排序信号更加稳定。亮点分析亮点分析：我们在量化研究参考系列金融工程研究我们在量化研究参考系列金融工程研究_SSPT：股票时序定制化预训：股票时序定

4、制化预训练选股框架中曾梳理过练选股框架中曾梳理过 SSPT 的核心思路的核心思路，即通过股票代码分类、行业分类和移动均值预测等任务提升股票时序表征质量。Kronos 与与 SSPT 同属金融预训练路同属金融预训练路线，但进一步从线，但进一步从“任务驱动预训练任务驱动预训练”走向走向“生成驱动预训练生成驱动预训练”：SSPT 主要服务收益预测与选股，Kronos 则通过 K 线离散化与自回归生成，构建统一金融基础模型底座，并覆盖价格预测、收益预测、波动率预测、K 线生成和投资模拟等多类任务。结合结合东方证券东方证券自研自研 DFQ-Diversify，Kronos 可理解为“统一表示底座”，DF

5、Q-Diversify 则可进一步提升信号在分布变化下的稳健性。实证结实证结果：果：论文实验覆盖多个交易所与不同资产类别，其中生成任务可视化基于上海证券交易所 15 分钟频率数据，投资模拟进一步在中国 A 股市场开展。结果显示，Kronos 在价格预测、收益预测、波动率预测、K 线生成和投资模拟五类任务中整体优于多类主流基准模型；价格预测 RankIC 相较最强 TSFM 基线提升约 93%，波动率预测 MAE 相较基准模型下降约 9%，生成任务质量提升约 22%。在收益预测任务中，Kronos 对每只股票未来收益率进行预测，并在截面上计算 IC 与 RankIC；在 A 股投资模拟中，论文基

6、于逐股票预测收益进行截面排序并构建 long-only 组合，结果在年化超额收益和信息比率上均优于基准方法。优化方向：优化方向：面向面向 A 股量化研究落地，股量化研究落地，Kronos 后续可从五个方向进一步优化：后续可从五个方向进一步优化：1）数据层：在 OHLCVA 基础上补充换手率、振幅、波动率等更贴合 A 股交易结构的衍生特征；2）下游映射：将模型隐含表示或预测收益更直接地转化为截面因子，用于选股排序和组合构建；3）稳健性增强：结合 DFQ-Diversify 等领域解耦框架，提升模型在风格切换和市场状态变化下的泛化能力；4）生成能力应用：将生成路径用于数据增强、情景模拟和策略压力测