Skip to content

अपने डेटा के साथ ​

यह सेक्शन पूरा करने के बाद, आप अपने पास की किसी एक स्टॉक की K-line KiT को दे पाएँगे: या तो उसे डेमो डेटा की डायरेक्टरी संरचना में डालकर सीधे आधिकारिक स्क्रिप्ट से चलाएँ, या अपने Python कोड में कॉल करें।

1. डेटा कैसा दिखता है ​

हर स्टॉक, हर ग्रैन्युलैरिटी के लिए एक parquet फ़ाइल, छह कॉलम:

कॉलमप्रकारविवरण
datetimedatetime64, टाइमज़ोन के बिनाइस K-line का समाप्ति समय, जैसे 1 घंटे की लाइन का 10:30, 11:30, 14:00, 15:00
open high low closefloat64पोस्ट-एडजस्टमेंट (होउ फ़ुक़ुआन) कीमत
volumefloat64ट्रेडिंग वॉल्यूम

README में date लिखा है, कोड datetime उपयोग करता है

आधिकारिक README के "Using Your Own Data" सेक्शन में कॉलम का नाम date लिखा है, लेकिन डेमो डेटा और कोड दोनों datetime पढ़ते हैं। datetime का उपयोग करें।

कहाँ रखें:

text
data/ashare/<粒度>/<代码>.parquet     例如 data/ashare/1d/600000.SH.parquet

pandas से एक सेव करें:

python
import pandas as pd
df = pd.read_csv("600000_daily.csv", parse_dates=["datetime"])   # 你自己的数据
df = df[["datetime", "open", "high", "low", "close", "volume"]].astype(
    {"open": "float64", "high": "float64", "low": "float64", "close": "float64", "volume": "float64"})
df.to_parquet("data/ashare/1d/600000.SH.parquet", index=False)

मुख्य बातें:

  • पोस्ट-एडजस्टमेंट कीमत का उपयोग करें। एक्स-राइट वाले दिन अगर बिना एडजस्टमेंट कीमत इस्तेमाल करें, तो मॉडल समझेगा कि स्टॉक बुरी तरह गिर गया है।
  • डेली लाइन का समय 15:00 क्लोज़ के रूप में लिखें। डेमो डेटा ऐसा ही है (2026-04-10 15:00:00)।
  • ट्रेडिंग रुकने (टिंग पाई) वाले दिनों में कोई छेद नहीं होना चाहिए। स्क्रिप्ट ट्रेडिंग कैलेंडर से भविष्य के समय की जाँच करती है, मेल न खाने पर यह उस एंकर को अस्वीकार कर देती है।

2. instruments.json: यह स्टॉक कौन है ​

मॉडल में प्रत्येक ट्रेन किए गए स्टॉक का एक नंबर (vocab_index) है, जो एक सीखी हुई "पहचान" वेक्टर से मेल खाता है। डेमो डेटा के instruments.json में केवल 100 स्टॉक हैं:

json
"300368.SZ": {"market": "ashare", "sector": 0, "vocab_index": 1369}

ckpt/step_market_284M/instruments.json में कुल 4830 शेयर हैं (A-share, US, क्रिप्टोकरेंसी)। अगर आपका शेयर इसमें है, तो उसकी प्रविष्टि को जस का तस कॉपी करें और data/instruments.json में डालें, नंबर में कोई भी बदलाव न करें: आधिकारिक मॉडल कार्ड खास तौर पर चेतावनी देता है कि ये नंबर प्रशिक्षित पहचान वेक्टर हैं।

अगर इसमें नहीं है (जैसे नई लिस्टिंग), तो "sector": 0, "vocab_index": 0 दें। 0 का मतलब है "पहचान नहीं", और तब मॉडल केवल K-लाइन स्वयं के आधार पर भविष्यवाणी करता है। प्रशिक्षण के दौरान कुछ नमूनों में जानबूझकर पहचान को "पहचान नहीं" बना दिया गया था (पेपर के 3.5 सेक्शन की कंडीशनल ड्रॉप), इसलिए मॉडल ने यह स्थिति सीखी है।

3. stats.json: खुद दोबारा गणना न करें ​

stats.json हर "बाज़ार | ग्रैन्युलैरिटी | फीचर" के लिए स्केलिंग मानक है, जैसे ashare|1d|r_body। मॉडल प्रशिक्षण के समय इसी सेट से पाँच संख्याओं को लगभग समान रेंज में स्केल करता था, और अनुमान (inference) के समय भी वही सेट इस्तेमाल करना चाहिए, साथ ही भविष्यवाणी के बाद उसी से पुनर्स्थापित करना होता है।

इसलिए: A-share डेटा का उपयोग करते समय, सीधे आधिकारिक stats.json इस्तेमाल करें। कोड में fit_stats है जो डेटा से एक नया सेट गणना कर सकता है, वह नए मॉडल प्रशिक्षित करने के लिए है; नई गणना किए गए स्केल से आधिकारिक मॉडल को इनपुट देने पर इनपुट का वितरण उससे अलग हो जाएगा जो उसने सीखा था।

4. आधिकारिक स्क्रिप्ट का उपयोग करें ​

डेटा और instruments.json तैयार होने के बाद, डेमो डेटा की तरह ही:

bash
python eval/infer_for_pred.py --case 600000.SH,1d,2026-03-10

यह स्क्रिप्ट मांगती है कि एंकर के बाद वास्तविक डेटा मौजूद हो (उसे उत्तर से मिलाना होता है)। अगर आप "कल के बाद" की भविष्यवाणी करना चाहते हैं और अभी वास्तविक डेटा नहीं है, तो नीचे दिया Python इंटरफ़ेस इस्तेमाल करें।

5. अपने कोड में कॉल करें ​

नीचे दिए कोड को KiT डायरेक्टरी में my_forecast.py के रूप में सेव करें (दूसरी डायरेक्टरी में रखने पर kit_v1 नहीं मिलेगा), फिर python my_forecast.py:

python
import json
from pathlib import Path
import torch
from kit_v1.data.calendar import load_trading_days
from kit_v1.data.normalize import load_stats
from kit_v1.infer import (load_model_and_config, prepare_inference_window,
                          flow_sample, denormalize_paths, paths_to_ohlcv)

data = Path("data")
stats = load_stats(data / "stats.json")
tdays = load_trading_days(data / "trade_dates.csv")
model, cfg = load_model_and_config("ckpt/step_market_284M.pt", "tiny", 0)
model.cuda().eval()

scale = "1d"
Lc, Lh = cfg.data.window_for(scale)                       # 日线:250, 20
inst = json.loads((data / "instruments.json").read_text())["300368.SZ"]
win = prepare_inference_window(
    data / "ashare" / scale / "300368.SZ.parquet", "ashare", scale, Lc, Lh, stats,
    soft_clip_c=cfg.data.soft_clip_c, half_life_days=cfg.data.vol_ema_half_life_days,
    end_ts=None,                                            # None = 用数据的最后一根当锚点
    sector_id=inst["sector"], inst_id=inst["vocab_index"], trading_days=tdays)

paths = flow_sample(model, win["x_ctx"], win["cond"], Lh=Lh, steps=32, n_paths=16,
                    precision="bf16", generator=torch.Generator().manual_seed(0))
feats = denormalize_paths(paths, "ashare", scale, stats, c=cfg.data.soft_clip_c)[0]
pred = paths_to_ohlcv(feats, win["prev_close"], win["prev_ema"], win["half_life_bars"])
print(win["future_timestamps"][0], pred["close"].shape)   # 第一根未来 K 线的时间,(16, 20)

आपको यह दिखना चाहिए:

text
[info] loaded EMA weights (step=50000)
2026-04-13 15:00:00 (16, 20)

डेमो डेटा की आखिरी कैंडल 2026-04-10 (शुक्रवार) है, इसलिए पहली भविष्य की K-लाइन अगले सोमवार 13 4 को है। end_ts=None पर, एंकर डेटा की आखिरी कैंडल होती है, और भविष्य की 20 कैंडलों का समय ट्रेडिंग कैलेंडर के अनुसार आगे बढ़ता है (trade_dates.csv में वे तारीख़ें शामिल होनी चाहिए, वरना केवल सप्ताहांत छोड़े जाएंगे)। pred में 16 पाथ का open-high-low-close और वॉल्यूम होता है, हर एक (16, 20) का ऐरे है।

यह ठीक वही कॉल क्रम है जो आधिकारिक स्क्रिप्ट आंतरिक रूप से उपयोग करती है, इसकी तुलना eval/infer_for_pred.py से करके देख सकते हैं।

आपकी परीक्षाआपका स्टॉक ऑफिशियल instruments.json में नहीं है, कैसे भरें?

एक बार जाँच लें ​

  • मेरे parquet में datetime, open, high, low, close, volume छह कॉलम हैं, कीमतें बैक-एडजस्टेड हैं
  • मैं जानता/जानती हूँ कि instruments.json का नंबर वेट पैकेज से जस का तस कॉपी करना है, अगर न हो तो 0 भरना है
  • मैंने Python इंटरफ़ेस से (16, 20) का भविष्यवाणी ऐरे प्राप्त किया

अगला सेक्शन: मॉडल संरचना।

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.