Kronos übersetzt Börsendaten in diskrete Sequenzen für Finanzprognosen

Ein spezialisiertes Modell für Kerzendaten

Mit Kronos stellen Forschende der Tsinghua-Universität ein Zeitreihenmodell vor, das gezielt auf Finanzmarktdaten in Form von Kerzen- oder K-Linien-Sequenzen trainiert wurde. Anders als ein allgemeines Prognosemodell soll es die charakteristischen Beziehungen zwischen Eröffnungs-, Höchst-, Tiefst- und Schlusskurs sowie Handelsvolumen und Umsatz gemeinsam abbilden. Die Autoren beschreiben das System als Grundlage für mehrere quantitative Aufgaben, darunter Preis- und Volatilitätsprognosen sowie die Erzeugung synthetischer Kursfolgen. [4]

Die Arbeit erschien zunächst am 2. August 2025 als arXiv-Einreichung. Eine Fassung in den AAAI-Proceedings trägt einen Copyright-Vermerk für 2026; das Projekt-Repository meldet die Annahme bei der AAAI 2026 am 10. November 2025. Diese Publikationsstände sind auseinanderzuhalten: Die arXiv-Seite kennzeichnet ihre Fassung als Version 1, während der Proceedings-Beitrag die Konferenzveröffentlichung dokumentiert. [1] [2] [4]

• Die Autoren geben für das Vortraining mehr als zwölf Milliarden K-Linien-Datensätze aus 45 globalen Börsen und sieben zeitlichen Granularitäten an. [4]
• Die gemeldeten Benchmarkverbesserungen beziehen sich auf ausgewählte Tests der Forschungsarbeit, nicht auf realisierte Handelsergebnisse. [1] [4]

Warum die Datenrepräsentation relevant ist

Eine einzelne K-Linie fasst mehrere Messwerte eines Zeitintervalls zusammen. In der Arbeit besteht der Eingabevektor aus sechs Größen: Open, High, Low, Close, Volume und Amount, also den vier Kurswerten sowie Handelsvolumen und Umsatz. Damit behandelt Kronos die Marktbeobachtung nicht als eine einfache Folge einzelner Schlusskurse. [4]

Für Finanzunternehmen ist dieser Zuschnitt praktisch bedeutsam, weil viele etablierte Auswertungen auf genau solchen Kerzenreihen beruhen. Er grenzt den Einsatzbereich zugleich ein: Die vorliegenden Quellen belegen keine allgemeine Eignung des Modells für Nachrichten, Orderbuchdaten oder andere Datentypen. Das ist eine Abgrenzung des dokumentierten Ansatzes, keine Aussage darüber, was sich mit einer späteren Anpassung technisch erreichen ließe. [2] [4]

Vom kontinuierlichen Kurswert zum Token

Das Modell verarbeitet die numerischen Beobachtungen nicht unmittelbar als kontinuierliche Eingaben. Zunächst kodiert ein spezialisierter Transformer-Autoencoder jede K-Linie mithilfe einer lernbaren Quantisierung in diskrete Tokens. Dabei kommt Binary Spherical Quantization zum Einsatz. Jedes Token wird in einen gröberen und einen feineren Teil zerlegt; eine hierarchische Rekonstruktionsfunktion soll sicherstellen, dass diese Teile unterschiedliche Informationsstufen abbilden. [4]

Anschließend sagt ein decoderbasierter Transformer die Token-Folge autoregressiv voraus: Er schätzt den nächsten Schritt unter Berücksichtigung der zuvor beobachteten Schritte. Innerhalb eines Tokens wird zuerst der grobe Anteil vorhergesagt und danach der feinere Anteil, abhängig von der groben Vorhersage. Die Autoren begründen diese Anordnung damit, dass sie mehrstufige Marktbewegungen und die Beziehungen innerhalb der Kerzendaten modellieren soll. [4]

Die Umwandlung in diskrete Werte schafft eine gemeinsame Repräsentation für die nachgelagerte Vorhersage und Generierung. Zugleich ist die Quantisierung eine Modellierungsentscheidung: Kontinuierliche Messwerte werden in endliche Codes überführt, deren Fähigkeit zur Rekonstruktion von der erlernten Kodierung abhängt. Für einen betrieblichen Einsatz sollten Sie deshalb nicht nur die Prognosewerte, sondern auch die Qualität der Rekonstruktion und die Auswirkungen der Kodierung auf Ihre eigenen Daten prüfen. Letzteres ist eine technische Folgerung aus dem beschriebenen Verfahren, kein von den Autoren berichteter Praxistest. [4]

• Die Tokenisierung nutzt einen Transformer-Autoencoder und eine lernbare Quantisierung. [4]
• Ein autoregressiver Transformer sagt die diskreten Marktrepräsentationen schrittweise voraus. [4]
• Die grobe und die feine Tokenkomponente werden in einer festgelegten Abhängigkeit modelliert. [4]

Was die Benchmarkzahlen aussagen – und was nicht

Für Preiszeitreihenprognosen berichten die Autoren einen um 93 Prozent höheren RankIC als beim führenden Time-Series-Foundation-Model im Vergleich und einen um 87 Prozent höheren Wert gegenüber der besten nicht vortrainierten Baseline. Für Volatilitätsprognosen geben sie einen um neun Prozent niedrigeren mittleren absoluten Fehler (MAE) an. Bei der synthetischen Erzeugung von K-Linien-Sequenzen berichten sie eine um 22 Prozent verbesserte Generierungsfidelität. Diese Werte stammen aus den von den Forschenden durchgeführten Benchmarktests. [1] [4]

Die Kennzahlen messen unterschiedliche Aspekte. RankIC beschreibt in der Arbeit eine Rangkorrelation für die Prognoseaufgabe; MAE erfasst die durchschnittliche absolute Abweichung bei Volatilitätsvorhersagen. Die berichteten prozentualen Zugewinne sind relative Vergleiche mit den jeweiligen Referenzmodellen. Sie sind weder ein Maß für Handelsrendite noch ein Nachweis, dass ein Modell nach Transaktionskosten, Liquiditätsgrenzen und Risikovorgaben einen wirtschaftlichen Vorteil erzielt. [1] [4]

Die verfügbaren Quellen enthalten keine unabhängige Replikation der Benchmarkresultate. Zudem belegen die vorliegenden Auszüge keine Übertragbarkeit auf beliebige Märkte, Zeiträume oder betriebliche Datenpipelines. Deshalb sollten Sie die Zahlen als Ergebnisse der Autoren unter den Bedingungen ihrer Evaluation lesen. Für eine Beschaffungs- oder Einsatzentscheidung wären zusätzliche Tests auf zeitlich getrennten und für den jeweiligen Betrieb relevanten Daten erforderlich; das ist eine analytische Empfehlung, keine bereits nachgewiesene Eigenschaft von Kronos. [1] [2] [4]

Verfügbare Modellgrößen und praktische Grenzen

Das Projekt führt vier Varianten auf: Kronos-mini mit 4,1 Millionen Parametern, Kronos-small mit 24,7 Millionen, Kronos-base mit 102,3 Millionen und Kronos-large mit 499,2 Millionen Parametern. Das Repository und die Modellkarte weisen mini, small und base als öffentlich zugänglich aus; large ist in der Modellübersicht als nicht verfügbar beziehungsweise nicht veröffentlicht gekennzeichnet. Die Modellkarte von Kronos-base bestätigt die Gewichtsdateien und beschreibt das Projekt als MIT-lizenziert. [2] [5]

Die dokumentierten Kontextlängen unterscheiden sich: Kronos-mini ist mit 2.048 Schritten angegeben, Kronos-small und Kronos-base jeweils mit 512. Die Vorhersageschnittstelle nimmt historische K-Liniendaten und Zeitstempel entgegen und gibt Vorhersagen für die angefragten zukünftigen Zeitpunkte aus. Das Repository verlangt mindestens Open, High, Low und Close; Volume und Amount sind dort als optionale Eingabespalten beschrieben. Bei längeren historischen Eingaben kann der dokumentierte Predictor den Kontext kürzen. [2] [5]

Das erleichtert einen ersten technischen Test, beseitigt aber nicht die Arbeit der Datenintegration. Unternehmen müssen unter anderem Zeitstempel, Frequenz, fehlende Werte und die Bedeutung ihrer Volumen- und Umsatzfelder mit den erwarteten Eingaben abgleichen. Die Projektdokumentation zeigt außerdem eine Fine-Tuning-Pipeline mit Qlib und einen einfachen Backtest am Beispiel des chinesischen A-Aktienmarkts. Die Entwickler bezeichnen dieses Beispiel ausdrücklich als Demonstration und nicht als produktionsreifes quantitatives Handelssystem. [2]

• Kronos-small und Kronos-base sind laut Dokumentation auf einen Kontext von 512 Schritten ausgelegt; für Kronos-mini werden 2.048 Schritte genannt. [2] [5]
• Die Fine-Tuning-Beispiele umfassen eine zweistufige Anpassung von Tokenizer und Prognosemodell sowie einen vereinfachten Backtest. [2]

Einordnung für den Unternehmenseinsatz

Kronos ist als vortrainierte Basis für Finanzzeitreihen interessant, wenn ein Unternehmen mehrere Aufgaben auf Kerzendaten mit einer gemeinsamen Modellfamilie untersuchen möchte. Die in der Arbeit behandelten Anwendungsfälle reichen von Preis- und Volatilitätsprognosen bis zur Erzeugung synthetischer Folgen. Die Autoren stellen dafür vortrainierte Modelle bereit; das Repository dokumentiert zusätzlich Fine-Tuning und Batch-Vorhersagen für mehrere Zeitreihen. [1] [2] [4] [5]

Aus den Benchmarkresultaten folgt jedoch keine automatische Eignung für Handelsentscheidungen oder Risikomodelle. Eine Vorhersagegüte auf einem Forschungsdatensatz sagt für sich genommen nicht, ob ein Signal unter den eigenen Handels- und Kontrollbedingungen stabil bleibt. Sie sollten deshalb neben Vorhersagefehlern auch den zeitlichen und instrumentellen Zuschnitt der Evaluation, die Datenaufbereitung und den Einfluss von Modellgrenzen wie Kontextlänge und Tokenisierung untersuchen. Diese Einordnung ergibt sich aus dem Abstand zwischen den Aufgaben und Kennzahlen der Studie und den zusätzlichen Anforderungen eines operativen Finanzsystems. [2] [4]

Der derzeit belastbare Befund ist damit enger als eine allgemeine Empfehlung: Kronos bietet eine für Kerzendaten spezialisierte Architektur und öffentlich verfügbare kleinere Modellvarianten; die Autoren berichten Verbesserungen in mehreren Benchmarks. Ob diese Verbesserungen bei neuen Zeiträumen, Märkten und betrieblichen Abläufen Bestand haben, lässt sich aus den vorliegenden Quellen nicht ableiten. Für Sie ist das Modell daher zunächst ein prüfbarer Kandidat für eine kontrollierte Evaluation, nicht der Nachweis eines einsatzfertigen Handels- oder Risikosystems. [1] [2] [4] [5]

Quellen

1. [1] [2508.02739v1] Kronos: A Foundation Model for the Language of Financial Markets — https://arxiv.org/abs/2508.02739v1 (abgerufen am 2026-11-10)
2. [2] GitHub - shiyu-coder/Kronos: Kronos: A Foundation Model for the Language of Financial Markets · GitHub — https://github.com/shiyu-coder/Kronos (abgerufen am 2026-11-10)
3. [4] Kronos: A Foundation Model for the Language of Financial Markets — https://ojs.aaai.org/index.php/AAAI/article/view/39730/43691 (abgerufen am 2026-11-10)
4. [5] NeoQuasar/Kronos-base · Hugging Face — https://huggingface.co/NeoQuasar/Kronos-base (abgerufen am 2026-11-10)