Kronos : un modèle de fondation qui apprend aux chandeliers japonais à parler le langage des transformers

Si le marché n'est que du bruit, alors toute tentative de prédire le prochain chandelier revient à décoder de la friture radio. Les auteurs de Kronos proposent une approche radicale : convertir les chandeliers boursiers en tokens discrets (comme des mots d'une langue) et entraîner un transformer à prédire le « mot suivant » — c'est-à-dire le prochain chandelier.

Il ne s'agit pas d'un transformer universel de séries temporelles « à tout faire », mais d'un modèle spécialisé pour les chandeliers multidimensionnels (OHLCV) avec caractéristiques calendaires. Le dépôt shiyu-coder/Kronos est ouvert sous licence MIT, les poids sont sur Hugging Face, et l'article a été accepté à AAAI 2026.

Idée centrale : les chandeliers comme langage

Tout comme ChatGPT apprend à prédire le mot suivant dans un texte, Kronos apprend à prédire le prochain chandelier dans une série de prix. Mais il faut d'abord résoudre un problème clé : un chandelier est un vecteur continu (ouverture, haut, bas, clôture, volume), alors que les transformers travaillent avec des tokens discrets.

La solution : une architecture à deux niveaux :

1. Tokenizer (BSQ) — compresse le chandelier continu en un code discret
2. Décodeur (transformer) — prédit le code suivant de manière autorégressive

Tokenizer BSQ : comment compresser un chandelier en deux nombres

Le module clé — Binary Spherical Quantizer (BSQ) :

• Le vecteur continu du chandelier est projeté sur une sphère (F.normalize)
• Il est ensuite quantifié en un code binaire
• Le code est divisé en deux niveaux : grossier (S1) et détaillé (S2)

C'est une factorisation du vocabulaire : au lieu d'un dictionnaire massif de taille S1 × S2, le modèle utilise deux petites tables d'embeddings — bien plus efficace.

Décodeur hiérarchique : d'abord le scénario, puis les détails

La double tête (DualHead) fonctionne en séquence :

1. Le modèle prédit d'abord S1 — le « scénario grossier » (ça monte ? ça baisse ? de combien approximativement ?)
2. Puis, S1 étant fixé, il affine S2 — les détails (prix exacts, volume)

Liens

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

Conclusion

Kronos n'est pas « encore un transformer pour séries temporelles », mais un pipeline cohérent : tokenizer BSQ avec contrôle du codebook, modèle de langage hiérarchique à deux niveaux de discrétisation, autorégression avec échantillonnage en deux étapes, normalisation locale par fenêtre. C'est une implémentation ouverte de l'idée « les chandeliers sont un langage ».