株価チャートの"言語"をAIが読み解く！世界45取引所で学習した金融市場の基盤モデル — Kronos

アーキテクチャ・仕組み

Kronosはデコーダーのみ（decoder-only）の構成を持つ基盤モデルで、2段階のフレームワークを採用しています:

1. 専用トークナイザー: 連続的で多次元のローソク足データ（OHLCV = 始値・高値・安値・終値・出来高）を階層的な離散トークンに量子化
2. 自己回帰型Transformer: トークン列に対して大規模な自己回帰学習を行い、多様な定量分析タスクに対応

モデルラインナップ

トークナイザーは Kronos-Tokenizer-2k（mini用）と Kronos-Tokenizer-base（small/base/large用）の2種類が提供されています。

主要な機能

• 単一系列予測: predict メソッドで1つの金融商品の将来価格を予測
• バッチ予測: predict_batch メソッドで複数の金融商品を同時にGPU並列処理で予測
• 確率的予測: 温度パラメータ（T）、nucleus sampling（top_p）、サンプル数（sample_count）による確率的予測の制御
• ファインチューニング: 自分のデータでトークナイザーとモデルの両方を追加学習可能
• バックテスト: ファインチューニングしたモデルで簡易的な投資戦略の検証が可能

入出力仕様

• 入力: pandas DataFrameで open, high, low, close カラムが必須。volume, amount はオプション
• 出力: 予測期間分の open, high, low, close, volume, amount を含むDataFrame
• コンテキスト長制限: small/baseモデルは最大512。超える場合は自動的に切り詰め

ファインチューニング

Microsoft Qlibを使った中国A株市場向けの完全なパイプラインが提供されています:

1. finetune/config.py で設定（データパス、ハイパーパラメータ等）
2. finetune/qlib_data_preprocess.py でデータ前処理
3. torchrun を使ったマルチGPU分散学習でトークナイザー → モデルの順にファインチューニング
4. finetune/qlib_test.py でバックテスト評価

対応環境

• Python 3.10以上
• PyTorch（torchrun によるマルチGPU分散学習対応）
• Hugging Face Hub経由でモデルをダウンロード可能
• オプションで Comet.ml による実験管理に対応

注意事項

• デモのバックテストは簡易的なtop-K戦略であり、本番環境のトレーディングシステムではない
• 本番運用にはポートフォリオ最適化、リスクファクター中和、取引コスト・スリッページのモデリングが必要
• finetune/ ディレクトリ内のコードコメントはAI（Gemini 2.5 Pro）が生成したものであり、不正確な場合がある

ライセンス・学術情報

• ライセンス: MIT License（商用利用可能）
• 論文: arXiv:2508.02739
• 学会採択: AAAI 2026
• ライブデモ: BTC/USDTの24時間先予測がWebで体験可能

インストール手順

1. Python 3.10以上を用意し、依存パッケージをインストール:

pip install -r requirements.txt

1. モデルを読み込んで予測を実行:

from model import Kronos, KronosTokenizer, KronosPredictor

# Hugging Faceからモデルとトークナイザーをロード
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")

# 予測器の初期化
predictor = KronosPredictor(model, tokenizer, max_context=512)

1. ファインチューニングを行う場合はqlibも必要:

pip install pyqlib