Kronos: Ein Foundation-Modell, das Candlestick-Charts das Sprechen in Transformer-Sprache beibringt

Wenn der Markt Rauschen ist, dann gleicht jeder Versuch, die nächste Kerze vorherzusagen, dem Dekodieren von Radiostatik. Die Autoren von Kronos schlagen einen radikalen Ansatz vor: Börsenkerzen in diskrete Tokens umwandeln (wie Wörter einer Sprache) und einen Transformer darauf trainieren, das "nächste Wort" vorherzusagen — also die nächste Kerze.

Das ist kein universeller Zeitreihen-Transformer "für alle Fälle", sondern ein spezialisiertes Modell für mehrdimensionale K-Linien (OHLCV) mit Kalendermerkmalen. Das Repository shiyu-coder/Kronos ist unter MIT offen, die Gewichte liegen auf Hugging Face, das Paper wurde bei AAAI 2026 angenommen.

Kernidee: Kerzen = Sprache

So wie ChatGPT lernt, das nächste Wort in einem Text vorherzusagen, lernt Kronos, die nächste Kerze in einer Preisreihe vorherzusagen. Zuerst muss jedoch ein zentrales Problem gelöst werden: Eine Kerze ist ein kontinuierlicher Vektor (Open, High, Low, Close, Volume), während Transformer mit diskreten Tokens arbeiten.

Die Lösung — eine zweistufige Architektur:

1. Tokenizer (BSQ) — komprimiert die kontinuierliche Kerze zu einem diskreten Code
2. Decoder (Transformer) — sagt den nächsten Code autoregressiv voraus

BSQ-Tokenizer: Wie man eine Kerze in zwei Zahlen komprimiert

Das Schlüsselmodul — Binary Spherical Quantizer (BSQ):

• Der kontinuierliche Kerzenvektor wird auf eine Kugel projiziert (F.normalize)
• Anschließend wird er in einen binären Code quantisiert
• Der Code wird in zwei Ebenen aufgeteilt: grob (S1) und detailliert (S2)

Das ist Vokabular-Faktorisierung: Statt eines riesigen Wörterbuchs der Größe S1 × S2 verwendet das Modell zwei kleine Embedding-Tabellen — deutlich effizienter.

Hierarchischer Decoder: Erst das Szenario, dann die Details

Der Doppelkopf (DualHead) arbeitet nacheinander:

1. Zuerst sagt das Modell S1 voraus — das "grobe Szenario" (steigt es? fällt es? um wie viel etwa?)
2. Dann, mit fixiertem S1, verfeinert es S2 — Details (exakte Preise, Volumen)

Links

• 💻 GitHub: shiyu-coder/Kronos
• 📄 Paper: arXiv:2508.02739
• 📄 License: MIT

Fazit

Kronos ist nicht "noch ein weiterer Transformer für Zeitreihen", sondern eine kohärente Pipeline: BSQ-Tokenizer mit Codebook-Kontrolle, hierarchisches Sprachmodell mit zwei Diskretisierungsebenen, Autoregression mit zweistufigem Sampling, lokale Fenster-Normalisierung. Es ist eine offene Implementierung der Idee "Kerzen = Sprache".