Kronos: un modelo fundacional que enseña a los gráficos de velas a hablar el lenguaje de los transformers

Si el mercado es ruido, entonces cualquier intento de predecir la próxima vela se parece a descifrar estática de radio. Los autores de Kronos proponen un enfoque radical: convertir las velas bursátiles en tokens discretos (como palabras de un idioma) y entrenar un transformer para predecir la "siguiente palabra", es decir, la siguiente vela.

No se trata de un transformer universal de series temporales "para todo uso", sino de un modelo especializado en velas japonesas multidimensionales (OHLCV) con características de calendario. El repositorio shiyu-coder/Kronos es abierto bajo licencia MIT, los pesos están en Hugging Face, y el paper fue aceptado en AAAI 2026.

Idea central: las velas son un lenguaje

Igual que ChatGPT aprende a predecir la siguiente palabra en un texto, Kronos aprende a predecir la siguiente vela en una serie de precios. Pero primero hay que resolver un problema clave: una vela es un vector continuo (apertura, máximo, mínimo, cierre, volumen), mientras que los transformers trabajan con tokens discretos.

La solución es una arquitectura de dos niveles:

1. Tokenizador (BSQ): comprime la vela continua en un código discreto
2. Decodificador (transformer): predice el siguiente código de forma autorregresiva

Tokenizador BSQ: cómo comprimir una vela en dos números

El módulo clave es el Binary Spherical Quantizer (BSQ):

• El vector continuo de la vela se proyecta sobre una esfera (F.normalize)
• Luego se cuantiza en un código binario
• El código se divide en dos niveles: grueso (S1) y detallado (S2)

Esto es factorización del vocabulario: en lugar de un diccionario enorme de tamaño S1 × S2, el modelo usa dos tablas de embeddings pequeñas, mucho más eficientes.

Decodificador jerárquico: primero el escenario, luego los detalles

La doble cabeza (DualHead) trabaja de forma secuencial:

1. Primero el modelo predice S1, el "escenario aproximado" (¿sube? ¿baja? ¿aproximadamente cuánto?)
2. Luego, con S1 fijado, refina S2: detalles (precios exactos, volumen)

Enlaces

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

Conclusión

Kronos no es "un transformer más para series temporales", sino un pipeline coherente: tokenizador BSQ con control de codebook, modelo de lenguaje jerárquico con dos niveles de discretización, autorregresión con muestreo en dos etapas, normalización local por ventanas. Es una implementación abierta de la idea "las velas son un lenguaje".