KiT: dejar que el modelo dibuje las velas del futuro
El pronóstico del tiempo no dice solo "mañana 23 grados", dice "probabilidad de lluvia del 60%". Porque el mañana, en sí, tiene muchas posibilidades.
KiT mira las acciones con la misma idea: después de leer un tramo de velas, no da un solo número, sino que dibuja 16 (o más) trayectorias futuras posibles. A continuación se muestra una salida real suya; arrastra el deslizador y mira cómo esas 16 líneas "crecen" a partir de un montón de ruido:
El modelo primero lee el historial: 400 velas de 1 hora pasadas (aquí solo se dibujan las últimas 48).
Qué es KiT
KiT es un modelo fundacional de predicción de velas propuesto por Boyu Zhang y Haorui Li; el artículo está en arXiv:2609.34507, y el código y los pesos son de código abierto (AGPL-3.0). Fue entrenado con miles de millones de velas de acciones estadounidenses, acciones A y criptomonedas en siete granularidades que van de 1 minuto a 1 día; en las pruebas del artículo superó a los modelos de comparación Kronos, Chronos y TimesFM tanto en predicción de rentabilidad como en predicción de volatilidad.
Qué tendrás en las manos al terminar
- Un entorno con KiT instalado y el modelo oficial de 2.84 centenas de millones de parámetros
- Gráficos de predicción generados por ti mismo: cualquier acción de demostración, cualquier punto temporal, siete granularidades
- Entender qué calculan la evaluación y el backtesting, y saber qué significa el RankIC de 0.057 que aparece en el artículo
- Un KiT pequeño entrenado por ti y una versión ajustada con datos nuevos de 2026, ambos capaces de generar gráficos de predicción
- Leer el artículo completo: por qué cada diseño se hizo así y cuánto vale según los experimentos de ablación
Qué necesitas preparar
- Una tarjeta gráfica NVIDIA. La recomendación oficial es memoria de vídeo de 6GB o más; nosotros usamos una RTX 4080 SUPER de 16GB, con un pico de unos 2.1GB al inferir sobre velas de 1 hora y unos 4.3GB al entrenar el modelo pequeño
- Python 3.10 o superior, y saber escribir comandos en la terminal
- Unos 3GB de disco: 1.1GB de pesos, 1.2GB de datos de demostración
Apto para quien ya sabe algo de redes neuronales: basta con conocer qué son el entrenamiento, la función de pérdida y el Transformer. No hace falta entender de antemano los modelos de difusión ni el flow matching; el curso parte de ejemplos y luego llega a las fórmulas, las formas de los tensores y el código fuente. Quien solo quiera usar el modelo para generar predicciones no necesita ningún conocimiento de aprendizaje automático en los dos primeros capítulos.
Organización del curso
| Etapa | Qué lograrás |
|---|---|
| Inicio | Entender qué hace KiT; instalar entorno, pesos y datos; generar el primer gráfico de predicción |
| Inferencia | Cambiar de acción, de punto temporal y de granularidad; elegir entre velocidad y precisión; entender la evaluación y el backtesting; conectar tus propios datos |
| Entrenamiento | Entender la arquitectura del modelo y el objetivo de entrenamiento; entrenar desde cero un modelo pequeño de 3100 × 10⁴ parámetros; ajustar sobre los pesos oficiales |
| Leer el artículo | Leer el artículo de KiT desde cero: tres dificultades y tres respuestas, la razón de cada diseño y cómo interpretar cada tabla de resultados y ablación |
| Consulta rápida | Errores y preguntas frecuentes |
Aviso
Este curso solo explica cómo usar y entrenar el modelo, con fines de estudio e investigación. La salida del modelo no constituye ningún consejo de inversión, y los resultados del backtesting no representan rentabilidades futuras.
Empieza por Qué es KiT.