캔들 차트 데이터를 입력하면 미래 가격 흐름을 예측하는 오픈소스 모델
과거 캔들 차트 데이터를 넣으면 앞으로의 가격 움직임이 어떻게 전개될지 예측 결과를 얻습니다. 금융 시장의 높은 노이즈 특성을 고려해 설계된 첫 오픈소스 파운데이션 모델입니다. 45개 이상의 글로벌 거래소 데이터를 학습했으며, AAAI 2026에 채택되었습니다.
캔들 데이터를 토큰으로 변환하는 구조
이 모델은 연속적인 OHLCV 데이터를 위계적 이산 토큰으로 변환하는 전용 토크나이저를 사용합니다. 이후 오토레그레시브 트랜스포머가 이 토큰들을 학습하여 다양한 퀀트 작업을 수행합니다. 일반 시계열 모델과 달리 금융 데이터의 고유한 노이즈를 처리하도록 설계되었습니다.
모델 규모와 공개 범위
Hugging Face Hub에서 다양한 용량의 사전 학습 모델을 제공합니다. 가장 작은 Kronos-mini는 4.1M 파라미터로 컨텍스트 길이가 2048입니다. Kronos-small(24.7M)과 Kronos-base(102.3M)은 컨텍스트 길이가 512입니다. 가장 큰 Kronos-large(499.2M)는 오픈소스로 공개되지 않았습니다.
예측 실행과 배치 처리
Python 3.10 이상 환경에서 pip install -r requirements.txt로 의존성을 설치합니다. KronosPredictor 클래스를 사용하면 데이터 전처리부터 예측까지 몇 줄의 코드로 완료할 수 있습니다. 입력 데이터는 open, high, low, close 컬럼을 포함하는 pandas DataFrame 형태여야 하며, volume과 amount는 선택 사항입니다. 여러 자산이나 기간을 동시에 예측할 때는 predict_batch 메서드를 사용해 GPU 병렬 처리를 활용할 수 있습니다. 이 경우 모든 시리즈가 동일한 과거 길이와 예측 길이를 가져야 합니다.
실전 적용 전 확인 사항
이 저장소는 MIT 라이선스로 공개되어 있습니다. 제공된 미세 조정 파이프라인은 데모 목적의 단순화된 예시이며, 실제 프로덕션용 퀀트 트레이딩 시스템은 아닙니다. 모델이 생성한 신호는 원시 예측값이므로, 실제 운용 시 포트폴리오 최적화나 리스크 팩터 중립화 과정을 거쳐야 합니다. 또한 백테스트 시 거래 비용, 슬리피지, 시장 영향력 등을 정밀하게 모델링해야 현실적인 성능을 평가할 수 있습니다. 코드 주석 중 일부는 AI가 생성한 것이므로 로직의 최종 기준은 코드 자체로 삼아야 합니다.
