# Kronos: dự báo nến giá tài chính bằng AI — hướng dẫn cài đặt và dùng

> Kronos là một họ mô hình AI mã nguồn mở, được huấn luyện riêng cho nến giá (K-line, dữ liệu OHLCV) của thị trường tài chính. Bạn đưa vào dữ liệu nến quá khứ, mô hình trả về dự báo các nến tiếp theo. Cài đặt khá đơn giản (Python 3.10+ và một lệnh pip), nhưng bạn cần biết cơ bản về Python và pandas.

- Tác giả: Ông T (https://ongt.vn/gioi-thieu)
- Chủ đề: Repo & Skill
- Đăng: 2026-07-02 · Cập nhật: 2026-11-13
- URL: https://ongt.vn/bai-viet/kronos-mo-hinh-nen-gia-tai-chinh-huong-dan-cai-dat

Kronos là một họ mô hình AI mã nguồn mở, được huấn luyện riêng cho "ngôn ngữ" của thị trường tài chính: các cây nến giá (K-line) gồm giá mở, cao, thấp, đóng và khối lượng. Tác giả giới thiệu đây là mô hình nền tảng mã nguồn mở đầu tiên cho nến giá, huấn luyện trên dữ liệu từ hơn 45 sàn giao dịch trên thế giới. Repo hiện có khoảng 47.694 sao và 7.899 fork, dùng giấy phép MIT.

Nếu bạn từng dùng mô hình dự báo chuỗi thời gian đa dụng và thấy nó "chịu" không nổi dữ liệu giá nhiễu, Kronos được làm ra để giải đúng chỗ đó. Nó biến dữ liệu nến thành các token rời rạc rồi dùng một mô hình Transformer để học và dự đoán tiếp. Với bạn, điều này nghĩa là: đưa vào một bảng dữ liệu nến, gọi một hàm, nhận lại bảng dự báo.

Repo hợp với lập trình viên, người làm phân tích định lượng, sinh viên tài chính và ai muốn thử dự báo nến cho cổ phiếu hay tiền số bằng Python. Điểm đáng giá nhất là bạn có sẵn mô hình đã huấn luyện trên Hugging Face, kèm lớp `KronosPredictor` lo hết khâu chuẩn hoá dữ liệu. Mình nói trước: đây là công cụ nghiên cứu, không phải máy in tiền.

```repo
- repo | shiyu-coder/Kronos
- kind | Mô hình
- desc | Kronos là mô hình nền tảng mã nguồn mở đầu tiên dành cho nến giá (K-line), huấn luyện trên dữ liệu hơn 45 sàn, dùng để dự báo chuỗi giá bằng Python.
- stars | 48k
- lang | Python
- license | MIT
```

## Kronos làm được gì

**Dự báo nến tương lai từ nến quá khứ.** Bạn đưa vào dữ liệu `open`, `high`, `low`, `close` (có thể thêm `volume`, `amount`), mô hình trả về các nến dự báo cho khoảng thời gian bạn chọn. Lợi ích thực tế: bạn có một đường dự báo để tham khảo, vẽ lên cạnh dữ liệu thật.

**Một lớp `KronosPredictor` làm hết phần khó.** Theo README, lớp này tự lo tiền xử lý, chuẩn hoá, dự đoán và chuyển ngược về thang giá gốc. Người mới không cần tự hiểu tokenizer hay cách chuẩn hoá, chỉ cần vài dòng code.

**Dự báo xác suất.** Các tham số `T` (nhiệt độ lấy mẫu), `top_p` và `sample_count` cho phép bạn sinh nhiều đường dự báo và lấy trung bình. Nhờ vậy kết quả không chỉ là một con số cứng.

**Dự báo hàng loạt với `predict_batch`.** Bạn có thể dự báo nhiều mã hoặc nhiều giai đoạn cùng lúc, tận dụng song song trên GPU. Hợp khi bạn theo dõi cả danh sách mã thay vì từng mã một.

**Nhiều cỡ mô hình để chọn.** Repo có bốn cỡ: Kronos-mini (4,1 triệu tham số, ngữ cảnh 2048), Kronos-small (24,7 triệu, ngữ cảnh 512), Kronos-base (102,3 triệu, ngữ cảnh 512) và Kronos-large (499,2 triệu, ngữ cảnh 512). Ba bản đầu đã được công bố trên Hugging Face Hub; bản large thì chưa mở nguồn. Mô hình nhỏ nhẹ hơn, mô hình lớn thường đòi cấu hình mạnh hơn.

**Có sẵn quy trình tinh chỉnh (fine-tune).** Thư mục `finetune/` chứa các script để chuẩn bị dữ liệu qua Qlib, tinh chỉnh tokenizer và predictor, rồi chạy backtest đơn giản. README gọi đây là bản minh hoạ, không phải hệ thống giao dịch dùng được ngay.

**Có ví dụ chạy sẵn.** Thư mục `examples/` có `prediction_example.py` (dự báo và vẽ biểu đồ so sánh với dữ liệu thật) và `prediction_wo_vol_example.py` (dự báo khi không có khối lượng).

## Cần chuẩn bị gì

Tư liệu của repo nói rõ những điều sau:

- **Python 3.10 trở lên.** Đây là yêu cầu duy nhất về phiên bản được ghi.
- **Các thư viện trong `requirements.txt`.** Cài bằng một lệnh pip, mình hướng dẫn ở phần sau.
- **Kết nối internet** để tải mô hình và tokenizer từ Hugging Face Hub trong lần chạy đầu (README dùng `from_pretrained` với tên mô hình trên Hub).
- **Dữ liệu nến của bạn** ở dạng bảng pandas, tối thiểu có các cột `open`, `high`, `low`, `close`, cùng một cột thời gian.

Còn các phần sau chỉ cần khi bạn tinh chỉnh mô hình:

- Thư viện `pyqlib` và dữ liệu Qlib tải về máy theo hướng dẫn chính thức của Qlib. Các script mẫu giả định dữ liệu tần suất ngày.
- Nhiều GPU nếu muốn chạy đúng cách README mô tả, vì hai script huấn luyện được thiết kế cho nhiều GPU với `torchrun`.

README không ghi yêu cầu hệ điều hành, dung lượng RAM hay VRAM tối thiểu cho việc chỉ dự báo, và cũng không nói bắt buộc phải có GPU hay không. Phần này chưa có thông tin, bạn nên thử với mô hình nhỏ trước.

## Cài đặt từng bước

```steps
- Kiểm tra Python | Đảm bảo máy có Python 3.10 trở lên
- Tải mã nguồn | Dùng git clone để lấy repo về máy
- Cài thư viện | Chạy pip install -r requirements.txt trong thư mục repo
- Chạy ví dụ | Mở examples/prediction_example.py để dự báo thử
- Dùng dữ liệu của bạn | Chuẩn bị file CSV nến rồi gọi KronosPredictor
```

### Kiểm tra Python

Mở terminal (trên Windows là PowerShell, trên macOS/Linux là Terminal) và xem phiên bản Python. Lệnh `python --version` là lệnh phổ thông, nếu ra từ 3.10 trở lên là ổn.

```bash
python --version
```

Nếu máy báo không tìm thấy `python`, thử `python3 --version`. Nếu phiên bản thấp hơn 3.10, bạn cần cài Python mới hơn trước khi làm tiếp.

### Tải mã nguồn về máy

Lệnh dưới tải toàn bộ repo về một thư mục tên `Kronos`, rồi đi vào thư mục đó. Chỗ người mới hay vấp: các lệnh sau phải chạy **bên trong** thư mục này, vì code import `model` từ thư mục gốc repo.

```powershell
git clone https://github.com/shiyu-coder/Kronos.git
cd Kronos
```

### Cài thư viện

Đây là lệnh cài đặt duy nhất README ghi. Nó đọc file `requirements.txt` và cài mọi thư viện cần thiết.

```shell
pip install -r requirements.txt
```

Bạn nên tạo môi trường ảo riêng cho dự án trước khi cài để không lẫn với các thư viện khác. README không hướng dẫn việc này, nhưng đó là thói quen tốt khi dùng Python.

### Chạy ví dụ có sẵn

README chỉ đến file `examples/prediction_example.py` là script hoàn chỉnh gồm nạp dữ liệu, dự báo và vẽ biểu đồ. Nếu bạn không có khối lượng giao dịch, dùng `examples/prediction_wo_vol_example.py`. README không ghi lệnh chạy riêng cho hai file này; cách chạy script Python thông thường là:

```bash
python examples/prediction_example.py
```

Nếu script báo thiếu file dữ liệu, mở chính file ví dụ để xem nó đọc dữ liệu từ đâu, rồi đặt dữ liệu của bạn vào đúng chỗ đó.

### Dự báo với dữ liệu của bạn

Đoạn code dưới đây chép đúng theo README. Trước tiên nạp tokenizer và mô hình từ Hugging Face Hub:

```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")
```

Lần chạy đầu sẽ mất thời gian vì phải tải mô hình về. Tiếp theo tạo bộ dự báo:

```python
# Initialize the predictor
predictor = KronosPredictor(model, tokenizer, max_context=512)
```

`max_context=512` khớp với giới hạn của Kronos-small và Kronos-base. README khuyên độ dài dữ liệu đầu vào (`lookback`) không nên vượt quá mức này, dù `KronosPredictor` sẽ tự cắt bớt nếu bạn đưa dài hơn.

Tiếp theo chuẩn bị dữ liệu. Thay đường dẫn CSV bằng file của bạn:

```python
import pandas as pd

# Load your data
df = pd.read_csv("./data/XSHG_5min_600977.csv")
df['timestamps'] = pd.to_datetime(df['timestamps'])

# Define context window and prediction length
lookback = 400
pred_len = 120

# Prepare inputs for the predictor
x_df = df.loc[:lookback-1, ['open', 'high', 'low', 'close', 'volume', 'amount']]
x_timestamp = df.loc[:lookback-1, 'timestamps']
y_timestamp = df.loc[lookback:lookback+pred_len-1, 'timestamps']
```

Ý nghĩa: lấy 400 nến đầu làm "quá khứ", và lấy mốc thời gian của 120 nến kế tiếp làm "tương lai cần dự báo". File CSV của bạn cần có cột `timestamps` như trong ví dụ, hoặc bạn tự đổi tên cột trong code cho khớp.

Cuối cùng gọi dự báo:

```python
# Generate predictions
pred_df = predictor.predict(
    df=x_df,
    x_timestamp=x_timestamp,
    y_timestamp=y_timestamp,
    pred_len=pred_len,
    T=1.0,          # Temperature for sampling
    top_p=0.9,      # Nucleus sampling probability
    sample_count=1  # Number of forecast paths to generate and average
)

print("Forecasted Data Head:")
print(pred_df.head())
```

```note
Kronos chỉ cho ra dự báo mang tính tham khảo. Đừng đặt lệnh mua bán thật chỉ dựa vào kết quả này. Chính tác giả cũng nói phần backtest trong repo chỉ là ví dụ minh hoạ, chưa phải hệ thống giao dịch hoàn chỉnh.
```

## Kiểm tra đã chạy được chưa

Cách kiểm tra đơn giản nhất là chạy đoạn code dự báo ở trên rồi nhìn kết quả. Nếu thành công, bạn sẽ thấy dòng chữ `Forecasted Data Head:` và dưới đó là vài dòng đầu của một bảng dữ liệu.

Theo README, `predict` trả về một DataFrame chứa các cột `open`, `high`, `low`, `close`, `volume`, `amount`, với chỉ mục là các mốc thời gian trong `y_timestamp` bạn đưa vào. Nếu bạn thấy bảng có đúng các cột này và đúng các mốc thời gian tương lai, mô hình đã chạy.

Muốn nhìn bằng mắt, chạy `examples/prediction_example.py`. README cho biết script này tạo ra biểu đồ so sánh dữ liệu thật với dự báo của mô hình. Nếu bạn ra được biểu đồ đó thì mọi thứ từ cài đặt đến mô hình đều ổn.

## Dùng vào việc thật

### Lập trình viên mới thử dự báo cổ phiếu

Bạn vừa học Python và muốn thấy một mô hình tài chính chạy ra sao. Đừng viết gì cả, hãy chạy trước `examples/prediction_example.py`, xem biểu đồ, rồi mới sửa dần. Sau đó đổi `lookback` và `pred_len` để xem dự báo thay đổi thế nào. Kết quả: bạn hiểu luồng dữ liệu vào, dự báo ra, mà không phải tự dựng gì từ đầu.

> Kronos không hứa dự báo đúng, nó cho bạn một cái máy để thử ý tưởng nhanh gấp nhiều lần.
>
> — Ông T

### Người theo dõi tiền số, dự báo nến ngắn hạn

Bạn có file CSV nến theo khung giờ của một cặp tiền số, muốn xem mô hình nghĩ gì về vài chục nến tới. Bạn đổi đường dẫn CSV, đặt `lookback` không quá 512 (với Kronos-small), chọn `pred_len` ngắn, rồi gọi `predict`. Có thể tăng `sample_count` để mô hình sinh nhiều đường dự báo và lấy trung bình. Kết quả là một bảng dự báo bạn có thể vẽ chồng lên biểu đồ giá. Tác giả cũng có trang demo trực tuyến cho cặp BTC/USDT, bạn xem trên trang của họ để hình dung trước.

### Nhân viên phân tích dự báo nhiều mã cùng lúc

Bạn phải theo dõi cả danh sách mã chứ không phải một mã. Thay vì lặp từng mã, bạn gom các DataFrame vào danh sách và dùng `predict_batch`:

```python
# Prepare multiple datasets for batch prediction
df_list = [df1, df2, df3]  # List of DataFrames
x_timestamp_list = [x_ts1, x_ts2, x_ts3]  # List of historical timestamps
y_timestamp_list = [y_ts1, y_ts2, y_ts3]  # List of future timestamps

# Generate batch predictions
pred_df_list = predictor.predict_batch(
    df_list=df_list,
    x_timestamp_list=x_timestamp_list,
    y_timestamp_list=y_timestamp_list,
    pred_len=pred_len,
    T=1.0,
    top_p=0.9,
    sample_count=1,
    verbose=True
)
```

Lưu ý theo README: mọi chuỗi phải có cùng độ dài quá khứ và cùng `pred_len`. Kết quả trả về là danh sách bảng dự báo, đúng thứ tự bạn đưa vào.

### Nhóm nghiên cứu tinh chỉnh trên dữ liệu riêng

Bạn là dev hoặc nhà nghiên cứu muốn thích nghi Kronos với thị trường của mình. README minh hoạ bằng thị trường cổ phiếu A của Trung Quốc qua Qlib. Bạn cài `pyqlib`, sửa đường dẫn trong `finetune/config.py`, rồi chạy lần lượt các script:

```shell
pip install pyqlib
python finetune/qlib_data_preprocess.py
```

```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
torchrun --standalone --nproc_per_node=NUM_GPUS finetune/train_predictor.py
```

```shell
# Specify the GPU for inference
python finetune/qlib_test.py --device cuda:0
```

Kết quả: các file dữ liệu huấn luyện, các checkpoint tốt nhất của tokenizer và predictor, cùng báo cáo backtest và biểu đồ lợi nhuận tích luỹ so với benchmark. README nhắc rằng nhiều chú thích trong thư mục `finetune/` do AI viết nên có thể sai, hãy tin vào code hơn là chú thích.

## Lỗi hay gặp và cách xử lý

**Báo `ModuleNotFoundError` khi `from model import ...`.** Thường do bạn đang chạy ở ngoài thư mục gốc của repo. Hãy `cd` vào thư mục `Kronos` rồi chạy lại. Nếu vẫn lỗi, kiểm tra `pip install -r requirements.txt` đã chạy xong không báo lỗi.

**Không tìm thấy file CSV.** Đoạn code mẫu đọc `./data/XSHG_5min_600977.csv`, mà danh sách thư mục gốc của repo không có thư mục `data`. Hãy dùng file dữ liệu của bạn, hoặc mở file trong `examples/` để xem nó đọc dữ liệu từ đâu. Đường dẫn tương đối tính từ nơi bạn chạy lệnh.

**Lỗi thiếu cột hoặc sai định dạng thời gian.** Dữ liệu bắt buộc có `open`, `high`, `low`, `close`. Cột thời gian cần được đổi sang kiểu ngày giờ bằng `pd.to_datetime`. Nếu file của bạn đặt tên cột khác, đổi tên cho khớp, và kiểm tra lại số dòng của `x_df` và `y_timestamp`.

**`predict_batch` báo lỗi kích thước.** README yêu cầu mọi chuỗi có cùng độ dài lịch sử và cùng `pred_len`. Hãy cắt các chuỗi về cùng độ dài trước khi gom vào danh sách.

**Tải mô hình từ Hugging Face bị lỗi hoặc rất chậm.** Kiểm tra kết nối mạng và thử chạy lại. README chưa ghi cách xử lý riêng cho trường hợp này, nên nếu mạng chặn Hugging Face bạn cần tự tìm cách khác phù hợp với môi trường của mình.

**Hết bộ nhớ khi chạy.** Tư liệu không nói rõ mức tối thiểu, nên đây là lỗi dễ xảy ra với mọi mô hình lớn. Hãy thử mô hình nhỏ hơn (Kronos-mini hoặc Kronos-small), giảm số chuỗi trong batch, hoặc rút ngắn `lookback`.

## Có nên dùng không

**Điểm mạnh.** Đây là mô hình chuyên cho nến giá chứ không phải mô hình chuỗi thời gian chung chung. Giấy phép MIT, mô hình có sẵn trên Hugging Face, API gọn (`KronosPredictor`), có ví dụ chạy ngay, có cả quy trình tinh chỉnh và backtest. Bài nghiên cứu đi kèm đã được hội nghị AAAI 2026 chấp nhận, theo thông tin trong README.

**Giới hạn.** Bản lớn nhất (Kronos-large) chưa được mở nguồn. Ngữ cảnh của small, base và large chỉ là 512 nến. Phần tinh chỉnh cần dữ liệu Qlib và thiết kế cho nhiều GPU. Pipeline backtest chỉ là ví dụ đơn giản: chính README nhắc rằng một chiến lược thật cần tối ưu danh mục, trung hoà yếu tố rủi ro, tính phí giao dịch, trượt giá và tác động thị trường. Repo cũng lâu rồi chưa được cập nhật, nên bạn có thể gặp lỗi tương thích với phiên bản thư viện mới.

**Nên chọn cách khác khi nào.** Nếu bạn không biết Python, công cụ này chưa phải để bạn bấm là chạy. Nếu bạn cần một hệ thống giao dịch tự động hoàn chỉnh, Kronos chỉ là một mảnh ghép tạo tín hiệu, bạn còn phải tự xây quản trị rủi ro và thực thi. Với việc dự báo chuỗi thời gian không phải dữ liệu nến giá, một mô hình khác có thể hợp hơn.

Tóm lại: Kronos đáng thử nếu bạn là dev hoặc người làm phân tích muốn có một mô hình nền tảng cho nến giá để nghiên cứu và thử ý tưởng. Hãy xem nó là công cụ học và thử nghiệm, không phải lời khuyên đầu tư.

## Câu hỏi thường gặp

### Kronos có miễn phí không?

Repo dùng giấy phép MIT, nên bạn được dùng mã nguồn tự do. Ba mô hình mini, small và base được công bố trên Hugging Face Hub. README không nhắc đến phí sử dụng nào, nhưng bạn vẫn phải tự lo chi phí máy tính nếu chạy trên GPU thuê.

### Kronos có cần GPU không?

README không nói rõ việc chỉ dự báo có bắt buộc GPU hay không. Nó chỉ nhắc `predict_batch` tận dụng song song trên GPU. Riêng phần tinh chỉnh thì hai script huấn luyện được thiết kế cho nhiều GPU với `torchrun`.

### Kronos có chạy được trên Windows không?

README không ghi yêu cầu hệ điều hành. Nó chỉ yêu cầu Python 3.10 trở lên và cài thư viện từ `requirements.txt`. Bạn nên thử trực tiếp trên máy mình, bắt đầu với mô hình nhỏ.

### Kronos dự báo có chính xác để đầu tư không?

Tư liệu không cam kết độ chính xác. Chính tác giả ghi rõ pipeline backtest chỉ là ví dụ minh hoạ, không phải hệ thống giao dịch dùng ngay. Một chiến lược thật còn cần tối ưu danh mục, quản trị rủi ro, tính phí giao dịch và trượt giá.

### Dữ liệu của tôi có bị gửi đi đâu không?

README chưa nói gì về vấn đề này. Theo cách dùng được mô tả, mô hình và tokenizer được tải từ Hugging Face Hub về máy, rồi dự báo chạy bằng code Python trên máy bạn. Bạn vẫn nên tự đọc mã nguồn nếu dữ liệu của bạn nhạy cảm.

### Dữ liệu đầu vào cần những cột nào?

Bắt buộc có `open`, `high`, `low`, `close`. Hai cột `volume` và `amount` là tuỳ chọn; với `predict_batch`, nếu thiếu thì chúng được điền bằng số 0. Bạn cũng cần chuỗi mốc thời gian cho quá khứ và cho giai đoạn muốn dự báo.

### Nên chọn Kronos-mini, small hay base?

Mini có 4,1 triệu tham số và ngữ cảnh 2048, small có 24,7 triệu và base có 102,3 triệu, cả hai đều ngữ cảnh 512. Bản large (499,2 triệu tham số) chưa được mở nguồn. README không đưa ra bảng so sánh độ chính xác hay yêu cầu phần cứng, nên bạn có thể bắt đầu với bản nhỏ rồi thử bản lớn hơn nếu máy đủ mạnh.
