Kronos: um modelo de fundação que ensina os gráficos de candles a falar a linguagem dos transformers

Se o mercado é ruído, então qualquer tentativa de prever o próximo candle é como decodificar estática de rádio. Os autores do Kronos propõem uma abordagem radical: converter candles de bolsa em tokens discretos (como palavras de um idioma) e treinar um transformer para prever a "próxima palavra" — ou seja, o próximo candle.

Não se trata de um transformer universal de séries temporais "para todas as ocasiões", mas de um modelo especializado em K-lines multidimensionais (OHLCV) com características de calendário. O repositório shiyu-coder/Kronos é aberto sob a licença MIT, os pesos estão no Hugging Face, e o artigo foi aceito na AAAI 2026.

Ideia central: candles = linguagem

Assim como o ChatGPT aprende a prever a próxima palavra em um texto, o Kronos aprende a prever o próximo candle em uma série de preços. Mas primeiro é preciso resolver um problema fundamental: um candle é um vetor contínuo (abertura, máxima, mínima, fechamento, volume), enquanto os transformers trabalham com tokens discretos.

A solução é uma arquitetura de dois níveis:

1. Tokenizador (BSQ) — comprime o candle contínuo em um código discreto
2. Decodificador (transformer) — prevê o próximo código de forma autorregressiva

Tokenizador BSQ: como comprimir um candle em dois números

O módulo-chave — Binary Spherical Quantizer (BSQ):

• O vetor contínuo do candle é projetado sobre uma esfera (F.normalize)
• Em seguida, é quantizado em um código binário
• O código é dividido em dois níveis: grosseiro (S1) e detalhado (S2)

Isso é fatoração de vocabulário: em vez de um dicionário enorme de tamanho S1 × S2, o modelo usa duas tabelas de embeddings pequenas — muito mais eficiente.

Decodificador hierárquico: primeiro o cenário, depois os detalhes

A cabeça dupla (DualHead) trabalha em sequência:

1. Primeiro o modelo prevê S1 — o "cenário aproximado" (vai subir? vai cair? aproximadamente quanto?)
2. Depois, com S1 fixado, refina S2 — detalhes (preços exatos, volume)

Links

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

Conclusão

O Kronos não é "mais um transformer para séries temporais", mas um pipeline coerente: tokenizador BSQ com controle de codebook, modelo de linguagem hierárquico com dois níveis de discretização, autorregressão com amostragem em duas etapas, normalização local por janela. É uma implementação aberta da ideia "candles = linguagem".