---
title: "Kronos: Mô hình nền tảng cho ngôn ngữ của thị trường tài chính"
description: "Kronos rời rạc hóa OHLCV thành token và cung cấp mô hình autoregressive tiền huấn luyện để dự báo chuỗi K-line."
pubDate: "2026-04-18"
lang: "vi"
slug: "kronos-language-model-for-finance"
url: "https://hoangyell.com/vi/kronos-language-model-for-finance/"
author: "HoangYell"
translation_en: "https://hoangyell.com/kronos-language-model-for-finance/"
categories: ["AI & Agents"]
tags: ["finance", "time-series", "forecasting", "python"]
heroImage: "https://raw.githubusercontent.com/yellcamap/img/refs/heads/main/photo-1579621970795-87facc2f976d.webp"
---

## TL;DR

- **Giải pháp:** Tokenizer cho OHLCV và mô hình autoregressive để dự báo chuỗi K-line.
- **Cách dùng nhanh:** `pip install -r requirements.txt` → tải tokenizer + model từ Hugging Face → `KronosPredictor.predict()`.
- **Phù hợp cho:** researcher, kỹ sư lượng tử, PoC backtest.
- **Một bước nhanh:** chạy `examples/prediction_example.py` để lấy dự báo 120 bước.
- **Lưu ý:** Finetune cần chuẩn bị dữ liệu bằng Qlib; production cần đo và tối ưu latency.

## Cảnh mở

Mở một thư mục chứa CSV nến từ nhiều sàn, timestamp lộn xộn, bạn cần một chuỗi dự báo để chạy backtest. Kronos làm nhiệm vụ đọc K-line như một "ngôn ngữ" - tokenizer rời rạc hóa OHLCV, model sinh chuỗi dự báo autoregressive.

So sánh: hãy tưởng tượng K-line như những câu chuyện ngắn trên báo tài chính; tokenizer là thư ký ghi chép, còn Kronos là bản đồ thời tiết dự báo các đoạn tiếp theo.

## Cách bắt tay làm (Quickstart)

1. Tạo virtualenv Python 3.10+.
2. Cài phụ thuộc:

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

3. Ví dụ tối thiểu:

```python
from model import Kronos, KronosTokenizer, KronosPredictor

tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)

pred_df = predictor.predict(df=x_df, x_timestamp=x_ts, y_timestamp=y_ts, pred_len=120)
print(pred_df.head())
```

Ví dụ output (pred_df.head()):

```text
# index                 open    high    low     close  volume
2024-01-01 00:00:00     100.50  101.20  100.10  100.90  12345
2024-01-02 00:00:00     100.90  102.00  100.50  101.80  15000
2024-01-03 00:00:00     101.80  103.30  101.50  102.90  14000
2024-01-04 00:00:00     102.90  104.10  102.30  103.70  13000
2024-01-05 00:00:00     103.70  104.00  103.20  103.50  12500
```

Kết quả: `predictor` trả về một `DataFrame` pandas đánh chỉ số theo timestamp tương lai chứa các cột OHLC (và tùy chọn volume/amount). Ví dụ trên minh họa cấu trúc và kiểu dữ liệu đầu ra.

## Minh họa (Markdy scene)

## Các API chính

- `KronosTokenizer.from_pretrained()` - tải tokenizer từ HF.
- `Kronos.from_pretrained()` - tải checkpoint mô hình.
- `KronosPredictor.predict()` - trả về DataFrame chứa dự báo OHLC (có thể có volume/amount).
- `KronosPredictor.predict_batch()` - xử lý nhiều series cùng lúc (yêu cầu cùng lookback/pred_len).

## Tính năng đáng chú ý

- Model zoo: `Kronos-mini`, `Kronos-small`, `Kronos-base` (mini ~4.1M, small ~24.7M, base ~102.3M).
- `max_context` mặc định cho small/base là 512.
- Chuẩn hóa luồng dữ liệu: để cấp nến sạch vào Kronos từ nhiều sàn mà không cần viết wrapper riêng, bạn có thể kết hợp với **[OpenBB](/vi/openbb-explained/)** (nền tảng dữ liệu thay thế Bloomberg Terminal mã nguồn mở).
- Hỗ trợ finetune bằng Qlib; ví dụ `finetune/train_predictor.py` dùng `torchrun` cho multi-GPU.

Ẩn dụ: coi Kronos như một tòa soạn dự báo - nó đọc các "câu" giá gần nhất rồi viết vài dòng tiếp theo. Tokenizer giống thư ký, model giống biên tập viên chốt tiêu đề.

## Những điểm cần lưu ý

- `predict_batch` cần các series có cùng lookback/pred_len - không tiện khi dữ liệu không đều.
- Finetune đòi hỏi pipeline data prep (Qlib) và cấu hình `finetune/config.py`.
- Kiểm tra checksum và ưu tiên `safetensors` nếu có checkpoint.

💡 Tip: ưu tiên `safetensors` và chạy thử trên tập dữ liệu nhỏ trước khi finetune toàn bộ để bắt mismatch sớm.

⚠️ Cảnh báo: Tải trọng số/tokenizer từ Hugging Face cần mạng và ổ cứng; kiểm tra checksum và dùng model ID đáng tin cậy khi chạy trên môi trường production.

## Ví dụ nhanh (trước / sau)

Trước: baseline rolling mean.

```python
naive = df['close'].rolling(20).mean().iloc[-1]
```

Sau: dùng Kronos để sinh chuỗi dự báo:

```python
pred_df = predictor.predict(df=x_df, x_timestamp=x_ts, y_timestamp=y_ts, pred_len=120)
```

## Checklist triển khai

1. Python 3.10+ virtualenv
2. `pip install -r requirements.txt`
3. `python examples/prediction_example.py`
4. Nếu finetune: chuẩn bị Qlib data → `torchrun --nproc_per_node=NUM_GPUS finetune/train_predictor.py`

## Kết

Kronos biến K-line thành ngôn ngữ mà mô hình có thể hiểu và sinh tiếp. Với 19k sao và mô hình sẵn có trên Hugging Face, repo này là một điểm bắt đầu mạnh cho PoC dự báo chuỗi thời gian tài chính.

[shiyu-coder/Kronos](https://github.com/shiyu-coder/Kronos) · MIT · 19079