Skip to content

Instala el entorno, los pesos y los datos ​

Al terminar esta sección, tu equipo tendrá: el código de KiT, un entorno Python capaz de usar la tarjeta gráfica, los pesos oficiales de 1.1GB y los datos de demostración de 1.2GB. El último comando imprimirá cuda True.

Antes de empezar ​

  • Una tarjeta gráfica NVIDIA con el controlador ya instalado (en la terminal nvidia-smi permite ver la tarjeta)
  • conda instalado (Miniconda es suficiente) y git
  • Acceso a GitHub y Hugging Face

1. Clonar el código ​

bash
git clone https://github.com/Luciferbobo/KiT.git
cd KiT

Todos los comandos siguientes se ejecutan dentro del directorio KiT.

2. Crear el entorno conda ​

La forma indicada en el README oficial:

bash
conda create -n kit python=3.13 -y
conda activate kit

Si aparece CondaToSNonInteractiveError

La versión nueva de conda (nosotros usamos 26.1.1) exige aceptar primero los términos de servicio de Anaconda la primera vez que se usa el canal predeterminado; si no se aceptan, lanza este error. Elige una de dos opciones:

  • Ejecuta conda tos accept como indica el mensaje de error, acepta los términos y vuelve a empezar;
  • No uses el canal predeterminado, usa en su lugar el canal comunitario conda-forge:
bash
conda create -n kit -c conda-forge --override-channels python=3.13 -y

Nosotros usamos la segunda opción.

3. Instalar PyTorch y las dependencias ​

bash
pip install "torch>=2.4" --index-url https://download.pytorch.org/whl/cu118
pip install -r requirements.txt

cu118 es la versión de CUDA, que también funciona con tarjetas y controladores recientes; el README oficial indica que se puede cambiar según sea necesario. En requirements.txt están numpy, pandas, pyarrow, matplotlib (para gráficos) y akshare (solo se usa en el backtesting para descargar el índice CSI 500).

Verificación:

bash
python -c "import torch;print('torch',torch.__version__,'cuda',torch.cuda.is_available())"

Deberías ver algo como:

text
torch 2.7.1+cu118 cuda True

Instalamos todo desde cero siguiendo los pasos anteriores y tardamos 2 minutos 33 segundos; la mayor parte fue el PyTorch de 905MB.

Si aparece cuda False: PyTorch se instaló en versión CPU, o el controlador no está bien instalado. Primero confirma que nvidia-smi funciona, y luego reinstala con el comando de arriba que incluye --index-url.

4. Descargar los pesos y los datos de demostración ​

bash
pip install huggingface_hub
hf download Lucifer744/KiT_model --local-dir ckpt/
hf download Lucifer744/KiT_data_demo --local-dir data/ --repo-type dataset

El README menciona huggingface-cli

El README oficial usa huggingface-cli download …. El huggingface_hub 2.4.0 que instalamos recientemente en noviembre de 2026 (mes 11) solo incluye el comando hf, sin huggingface-cli; la sintaxis de los parámetros es la misma, basta con cambiar el nombre del comando.

El segundo comando descarga dos checkpoints, de unos 1.1GB cada uno. Si solo quieres el que se usa en el paper:

bash
hf download Lucifer744/KiT_model --include "config.json" "step_market_284M/*" --local-dir ckpt/

Los datos de demostración ocupan unos 1.2GB (de los cuales las líneas de 1 minuto son 811MB), con 705 archivos; a nosotros la descarga nos tomó 2 minutos.

5. Colocar los pesos donde el script pueda encontrarlos ​

Los pesos descargados quedan en ckpt/step_market_284M/step_market_284M.pt, mientras que el script de predicción busca por defecto ckpt/step_market_284M.pt. Dos opciones:

  • Añadir el parámetro en cada ejecución: --ckpt ckpt/step_market_284M/step_market_284M.pt
  • O crear un enlace y no preocuparse más:
bash
ln -s step_market_284M/step_market_284M.pt ckpt/step_market_284M.pt

En Windows no existe ln, usa la primera opción.

Revisa el directorio:

bash
ls ckpt/step_market_284M data data/ashare

Deberías ver:

text
ckpt/step_market_284M:
instruments.json  stats.json  step_market_284M.pt

data:
ashare  instruments.json  README.md  stats.json  trade_dates.csv

data/ashare:
15m  1d  1h  1m  2h  30m  5m

Bajo data/ashare hay siete carpetas, cada una con 100 archivos .parquet, uno por acción.

Pon a prueba tus conocimientosTras descargar los pesos, el script de predicción reporta checkpoint not found. ¿Cuál es la causa más probable?

Haz una comprobación ​

  • torch.cuda.is_available() imprime True
  • Existe ckpt/step_market_284M.pt (archivo o enlace)
  • Bajo data/ashare hay carpetas para 7 granularidades

Siguiente sección: Primera predicción.

gaodong.aiAboutPrivacyContact

Independent tutorials, not affiliated with any product mentioned. Product names and trademarks belong to their owners. Check official pages for prices and policies.