# Kronos: dự báo nến giá tài chính bằng mô hình nền tảng mã nguồn mở — hướng dẫn cài đặt và dùng

> Kronos là họ mô hình AI mã nguồn mở (giấy phép MIT) được huấn luyện riêng cho "ngôn ngữ" của thị trường tài chính: chuỗi nến K-line gồm open, high, low, close, volume. Bạn đưa dữ liệu nến lịch sử vào, mô hình trả về dữ liệu nến dự báo cho các kỳ tiếp theo. Cài đặt khá đơn giản (Python 3.10+ và một lệnh pip), nhưng cần biết chút Python và pandas.

- Tác giả: Ông T (https://ongt.vn/gioi-thieu)
- Chủ đề: Repo & Skill
- Đăng: 2026-07-05 · Cập nhật: 2026-11-13
- URL: https://ongt.vn/bai-viet/kronos-mo-hinh-nen-tang-du-bao-nen-gia-tai-chinh

**Kronos là một họ mô hình AI mã nguồn mở, được huấn luyện riêng để đọc và dự báo các cây nến giá (K-line) của thị trường tài chính.** Tác giả mô tả đây là mô hình nền tảng mã nguồn mở đầu tiên cho nến K-line, học từ dữ liệu của hơn 45 sàn giao dịch trên thế giới. Repo hiện có khoảng 47.700 sao và khoảng 7.900 fork trên GitHub.

Vấn đề nó giải quyết: các mô hình dự báo chuỗi thời gian đa dụng thường đuối trước dữ liệu tài chính vì loại dữ liệu này rất nhiễu. Kronos làm theo hướng khác. Nó đổi dữ liệu nến (giá mở, cao, thấp, đóng, khối lượng) thành các "token" rời rạc, rồi dùng một mô hình Transformer để học và sinh tiếp chuỗi đó, giống cách mô hình ngôn ngữ đoán chữ tiếp theo.

Ai nên dùng? Người làm phân tích định lượng, sinh viên tài chính, lập trình viên mới muốn thử dự báo giá, hoặc ai cần một mô hình nền có sẵn để tinh chỉnh trên dữ liệu riêng. Điểm đáng giá nhất: mô hình tải thẳng từ Hugging Face, dự báo chỉ cần một lớp `KronosPredictor` và vài dòng code, kèm sẵn pipeline tinh chỉnh và backtest mẫu.

```repo
- repo | shiyu-coder/Kronos
- kind | Mô hình
- desc | Kronos là mô hình nền tảng mã nguồn mở đầu tiên cho nến K-line (OHLCV), dùng để dự báo chuỗi giá từ dữ liệu lịch sử bằng vài dòng Python.
- stars | 48k
- lang | Python
- license | MIT
```

## Kronos làm được gì

**Dự báo nến tương lai từ nến quá khứ.** Bạn đưa vào một đoạn lịch sử (gọi là `lookback`), chọn số kỳ cần dự báo (`pred_len`), mô hình trả về bảng dữ liệu gồm open, high, low, close, volume, amount cho các kỳ sau. Bảng kết quả được đánh chỉ mục theo mốc thời gian bạn cung cấp, nên dễ vẽ biểu đồ hoặc so với thực tế.

**Tự lo chuẩn hoá dữ liệu.** Lớp `KronosPredictor` xử lý tiền xử lý, chuẩn hoá, dự báo rồi đưa số liệu về thang ban đầu. Bạn không phải tự làm các bước này.

**Dự báo xác suất.** Các tham số lấy mẫu `T` (nhiệt độ), `top_p` và `sample_count` cho phép sinh nhiều đường dự báo rồi lấy trung bình. Hữu ích khi bạn muốn bớt phụ thuộc vào một lần đoán ngẫu nhiên.

**Dự báo nhiều mã cùng lúc.** Hàm `predict_batch` chạy song song nhiều chuỗi dữ liệu, ví dụ nhiều cổ phiếu hay nhiều cặp tiền. Mỗi chuỗi được chuẩn hoá riêng.

**Nhiều cỡ mô hình.** Có bản mini (4,1 triệu tham số), small (24,7 triệu), base (102,3 triệu) và large (499,2 triệu). Bản large chưa được công khai. Ba bản còn lại tải được từ Hugging Face Hub, bạn chọn theo sức máy.

**Tinh chỉnh trên dữ liệu của bạn.** Repo có sẵn bộ script mẫu dùng dữ liệu cổ phiếu A-share Trung Quốc qua thư viện Qlib: chuẩn bị dữ liệu, tinh chỉnh tokenizer, tinh chỉnh mô hình dự báo, rồi backtest. Tác giả nhấn mạnh đây chỉ là ví dụ minh hoạ, không phải hệ thống giao dịch sẵn sàng dùng thật.

Ngoài ra repo có thêm các thư mục `webui/`, `finetune_csv/` và `tests/`. README không mô tả chi tiết các thư mục này, bạn tự mở ra xem nếu quan tâm.

## Cần chuẩn bị gì

Theo README, yêu cầu chỉ có một dòng rõ ràng: **Python 3.10 trở lên**, rồi cài thư viện từ file `requirements.txt`.

Những điều README có nhắc tới:

- Mô hình và tokenizer được tải từ Hugging Face Hub, nên máy cần kết nối internet lần đầu chạy.
- Dữ liệu đầu vào là bảng pandas có các cột `open`, `high`, `low`, `close`. Cột `volume` và `amount` là tuỳ chọn. Bạn cũng cần một cột thời gian.
- `predict_batch` tận dụng GPU để chạy song song. Phần tinh chỉnh được thiết kế cho huấn luyện nhiều GPU bằng `torchrun`.
- Muốn chạy phần tinh chỉnh mẫu, bạn cần cài thêm `pyqlib` và tự tải dữ liệu Qlib về máy.

README không nói rõ có chạy được trên CPU hay cần bao nhiêu RAM/VRAM, cũng không nói gì về hệ điều hành cụ thể. Mục này chưa có thông tin, bạn nên thử bản nhỏ nhất (Kronos-mini hoặc Kronos-small) trước. Không thấy repo yêu cầu API key hay tài khoản trả phí.

## Cài đặt từng bước

```steps
- Cài Python | Cần Python 3.10 trở lên
- Tải mã nguồn | Dùng git clone rồi vào thư mục Kronos
- Cài thư viện | Chạy pip install -r requirements.txt
- Tải mô hình | Gọi from_pretrained, mô hình tự tải từ Hugging Face
- Chạy thử | Chạy ví dụ trong examples/prediction_example.py
```

### Cài Python 3.10 trở lên

Kiểm tra phiên bản Python trên máy bằng lệnh dưới đây. Nếu thấp hơn 3.10, bạn cần cài bản mới hơn từ trang chính thức của Python trước.

```bash
python --version
```

Chỗ người mới hay vấp: gõ lệnh trong cửa sổ terminal (trên Windows là PowerShell hoặc Command Prompt), không gõ vào trong trình soạn thảo code. Một số máy dùng `python3` thay vì `python`.

### Tải mã nguồn về máy

Lệnh `git clone` tải toàn bộ repo về, `cd` đưa bạn vào thư mục vừa tải. Các lệnh sau đều phải chạy trong thư mục này.

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

Nếu chưa có Git, bạn có thể tải file ZIP từ trang GitHub của repo rồi giải nén, sau đó mở terminal trong thư mục giải nén.

### Cài các thư viện cần thiết

Đây là lệnh cài duy nhất README yêu cầu. Nó đọc file `requirements.txt` và cài mọi thư viện đi kèm.

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

Quá trình này có thể mất vài phút. Nếu bạn có nhiều phiên bản Python, hãy đảm bảo `pip` thuộc đúng bản 3.10+. Nên dùng môi trường ảo (virtual environment) để không lẫn với dự án khác. README không hướng dẫn việc này, nhưng đó là thói quen tốt.

### Tải mô hình và tokenizer

Không có bước tải thủ công. Khi bạn chạy đoạn code dưới đây, thư viện tự tải mô hình từ Hugging Face Hub. Tạo một file Python hoặc mở Python tương tác ngay trong thư mục `Kronos` (để `from model import ...` tìm được thư mục `model/`).

```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")
```

Kronos-small đi cùng tokenizer `Kronos-Tokenizer-base`. Bản Kronos-mini dùng tokenizer riêng là `Kronos-Tokenizer-2k` với độ dài ngữ cảnh 2048. Bản small và base có độ dài ngữ cảnh tối đa 512.

Lần chạy đầu sẽ chậm vì phải tải file về.

### Khởi tạo bộ dự báo

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

`max_context=512` là giới hạn độ dài chuỗi mà small và base xử lý được. Nếu dữ liệu dài hơn, `KronosPredictor` tự cắt bớt.

## Kiểm tra đã chạy được chưa

Cách chắc nhất là chạy ví dụ có sẵn mà README chỉ ra: `examples/prediction_example.py`. Theo README, script này gồm đủ bước nạp dữ liệu, dự báo và vẽ biểu đồ. Nếu chạy được, bạn sẽ thấy một biểu đồ so sánh dữ liệu thật với đường dự báo của mô hình.

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

Tên lệnh trên là cách chạy file Python thông thường. README không ghi riêng lệnh này, nó chỉ nói tới đường dẫn file. Nếu script báo thiếu file dữ liệu, xem mục lỗi bên dưới.

Còn một bản khác là `examples/prediction_wo_vol_example.py`, dự báo khi không có cột volume và amount.

Nếu bạn tự viết code, dấu hiệu thành công là `print(pred_df.head())` in ra một bảng gồm các cột open, high, low, close, volume, amount, với chỉ mục là các mốc thời gian tương lai bạn đã đưa vào.

## Dùng vào việc thật

Lưu ý trước: Kronos cho ra dự báo thống kê, không phải lời khuyên đầu tư. Tác giả cũng ghi rõ phần backtest chỉ là minh hoạ.

### Dự báo thử một mã cổ phiếu từ file CSV

**Bối cảnh:** bạn là nhân viên văn phòng tập đầu tư, có file CSV nến 5 phút của một mã cổ phiếu, muốn xem mô hình dự báo gì cho 120 nến tiếp theo.

**Cách làm:** theo đúng README, file cần có các cột `open, high, low, close, volume, amount` và cột `timestamps`. Ví dụ trong README dùng file `./data/XSHG_5min_600977.csv`. Thư mục `data/` không nằm trong cấu trúc gốc của repo, nên bạn thay bằng file của mình.

```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']
```

Sau đó 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())
```

**Kết quả:** một bảng 120 dòng dự báo. Với `lookback = 400` bạn vẫn nằm trong giới hạn 512 của bản small.

> Mô hình cho bạn một kịch bản có xác suất, không phải lời hứa về giá ngày mai.
>
> — Ông T

### Dự báo cùng lúc nhiều mã

**Bối cảnh:** bạn quản lý một danh mục nhỏ gồm ba mã và muốn chạy dự báo một lượt.

**Cách làm:** dùng `predict_batch`. Điều kiện từ README: mọi chuỗi phải cùng độ dài lịch sử, cùng `pred_len`, và có đủ bốn cột open, high, low, close. Nếu thiếu volume hoặc amount, hệ thống tự điền số 0.

```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
)

# pred_df_list contains prediction results in the same order as input
for i, pred_df in enumerate(pred_df_list):
    print(f"Predictions for series {i}:")
    print(pred_df.head())
```

**Kết quả:** một danh sách bảng dự báo, đúng thứ tự với danh sách đầu vào. Thay `df1, df2, df3` bằng các bảng dữ liệu thật của bạn.

### Dự báo khi không có dữ liệu khối lượng

**Bối cảnh:** bạn có dữ liệu giá của một loại tài sản nhưng nguồn không cung cấp khối lượng giao dịch.

**Cách làm:** chỉ cần bốn cột open, high, low, close. README cho biết volume và amount là tuỳ chọn. Bạn cũng có thể đọc `examples/prediction_wo_vol_example.py` để xem mẫu hoàn chỉnh.

**Kết quả:** vẫn nhận được bảng dự báo, nhưng bạn nên hiểu là mô hình có ít thông tin hơn để dựa vào. README không nói độ chính xác giảm bao nhiêu.

### Tinh chỉnh mô hình trên dữ liệu riêng và backtest thử

**Bối cảnh:** bạn là lập trình viên hoặc sinh viên nghiên cứu, muốn thích nghi Kronos với một thị trường cụ thể. Repo có pipeline mẫu dùng dữ liệu cổ phiếu A-share qua Qlib, đòi hỏi GPU và nhiều thời gian hơn ba tình huống trên.

**Cách làm:** trước hết cài Qlib và tải dữ liệu theo hướng dẫn chính thức của Qlib. Ví dụ trong README giả định dữ liệu tần suất ngày.

```shell
pip install pyqlib
```

Sửa đường dẫn trong `finetune/config.py` (`qlib_data_path`, `dataset_path`, `save_path`, `backtest_result_path`, `pretrained_tokenizer_path`, `pretrained_predictor_path`). Nếu không dùng Comet.ml thì đặt `use_comet = False`. Sau đó chạy lần lượt:

```shell
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
```

```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_predictor.py
```

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

**Kết quả:** bước đầu tạo ba file `train_data.pkl`, `val_data.pkl`, `test_data.pkl`. Hai bước huấn luyện lưu checkpoint tốt nhất theo đường dẫn trong `config.py`. Bước cuối in phân tích hiệu suất ra console và vẽ đường lợi nhuận tích luỹ so với benchmark.

```note
Đây chỉ là ví dụ minh hoạ, tác giả tự nói không phải hệ thống giao dịch sẵn sàng dùng thật. Backtest đơn giản chưa tính chi phí giao dịch, trượt giá hay tác động thị trường. Đừng đặt tiền thật dựa trên kết quả này.
```

## Lỗi hay gặp và cách xử lý

**Báo `ModuleNotFoundError: No module named 'model'`.** Thường do bạn chạy code ở thư mục khác. Hãy mở terminal trong thư mục `Kronos` đã clone rồi chạy lại, vì `from model import ...` cần thấy thư mục `model/` của repo.

**Lỗi không tìm thấy file CSV.** Ví dụ trong README đọc `./data/XSHG_5min_600977.csv`, nhưng thư mục `data/` không có trong cấu trúc gốc repo. Hãy thay bằng đường dẫn file dữ liệu của bạn, hoặc mở `examples/prediction_example.py` xem script đọc dữ liệu từ đâu.

**Lỗi thiếu cột hoặc sai tên cột.** Bảng dữ liệu phải có các cột `open`, `high`, `low`, `close`, và cột thời gian cần chuyển bằng `pd.to_datetime`. Kiểm tra tên cột bằng `df.columns` và đổi tên cho khớp.

**`predict_batch` báo lỗi vì độ dài không khớp.** README yêu cầu mọi chuỗi có cùng độ dài lịch sử và cùng `pred_len`. Hãy cắt các bảng về cùng độ dài trước khi gọi.

**Không tải được mô hình hoặc tải chậm.** Mô hình tải từ Hugging Face Hub, nên cần mạng ổn định. Lỗi kết nối thì thử lại, hoặc kiểm tra tường lửa và proxy. Nếu hết bộ nhớ, thử bản nhỏ hơn như Kronos-mini hoặc giảm lượng dữ liệu đưa vào. Phần này README không hướng dẫn riêng.

## Có nên dùng không

**Điểm mạnh:** giấy phép MIT, dễ thử (cài một lệnh, dự báo vài dòng), có nhiều cỡ mô hình, có hỗ trợ dự báo hàng loạt và có pipeline tinh chỉnh kèm backtest mẫu. Công trình đi kèm một bài báo khoa học trên arXiv và được ghi nhận là đã được AAAI 2026 chấp nhận, nên bạn có tài liệu gốc để đối chiếu.

**Giới hạn cần biết:** dự báo thị trường vốn rất khó, và README không đưa lời hứa về lợi nhuận. Bản large chưa công khai. Bản small và base chỉ nhận tối đa 512 nến ngữ cảnh. Phần tinh chỉnh đòi hỏi GPU và kiến thức máy học, ví dụ mẫu dựa trên thị trường A-share và Qlib nên bạn phải tự chỉnh nếu dùng dữ liệu khác. Nhiều chú thích trong thư mục `finetune/` do AI viết nên có thể sai, tác giả khuyên coi code mới là nguồn đúng. Repo cũng lâu rồi chưa được cập nhật.

**Khi nào chọn cách khác:** nếu bạn chỉ cần xem biểu đồ hay chỉ báo kỹ thuật cơ bản, công cụ phân tích thông thường sẽ nhanh và dễ hơn. Nếu cần hệ thống giao dịch thật, bạn phải bổ sung tối ưu danh mục, kiểm soát rủi ro, mô hình hoá chi phí giao dịch, những thứ chính README cũng nói là chưa có trong ví dụ. Còn nếu bạn muốn học, nghiên cứu hoặc thử nghiệm với dự báo chuỗi nến bằng AI, Kronos là điểm bắt đầu rất đáng thử.

## Câu hỏi thường gặp

### Kronos có miễn phí không?

Repo dùng giấy phép MIT và mô hình Kronos-mini, small, base được công khai trên Hugging Face Hub. README không nhắc tới phí hay API key. Chi phí thực tế (nếu có) chủ yếu là máy tính hoặc GPU bạn dùng để chạy.

### Kronos có cần GPU không?

README nói `predict_batch` tận dụng GPU để chạy song song, và phần tinh chỉnh dùng `torchrun` cho huấn luyện nhiều GPU. README không nói rõ có chạy được bằng CPU hay không, nên mục này chưa có thông tin chính thức. Bạn nên thử bản nhỏ nhất trước.

### Kronos chạy được trên Windows không?

README không nêu hệ điều hành nào được hỗ trợ hay không được hỗ trợ. Yêu cầu duy nhất được ghi là Python 3.10 trở lên và cài thư viện bằng pip. Bạn nên tự thử và xem file requirements.txt.

### Kronos khác gì các mô hình dự báo chuỗi thời gian thông thường?

Theo tác giả, Kronos được huấn luyện riêng cho dữ liệu nến K-line (OHLCV), vốn có nhiều nhiễu, thay vì là mô hình chuỗi thời gian đa dụng. Nó đổi dữ liệu nến thành token rời rạc rồi dùng Transformer để học. Tác giả cho biết dữ liệu huấn luyện đến từ hơn 45 sàn giao dịch.

### Dữ liệu của tôi có an toàn không?

Mô hình được tải từ Hugging Face Hub về chạy trên máy bạn, và README không mô tả việc gửi dữ liệu của bạn đi đâu. Tuy vậy, README không có phần riêng nói về bảo mật, nên bạn có thể tự đọc mã nguồn nếu cần chắc chắn.

### Kronos có dự báo đúng để giao dịch kiếm lời không?

README không hứa hẹn lợi nhuận. Phần backtest chỉ là ví dụ minh hoạ và tác giả nói rõ nó chưa phải hệ thống giao dịch sẵn sàng dùng thật. Hệ thống thật cần thêm tối ưu danh mục, quản lý rủi ro và mô hình hoá chi phí giao dịch.

### Tôi dùng bản mô hình nào cho dễ?

Có ba bản công khai: Kronos-mini (4,1 triệu tham số, ngữ cảnh 2048), Kronos-small (24,7 triệu, ngữ cảnh 512) và Kronos-base (102,3 triệu, ngữ cảnh 512). Ví dụ trong README dùng Kronos-small. Bản large chưa được công khai.
