KiT:让模型画出未来的 K 线
天气预报不会只说“明天 23 度”,它会说“降雨概率 60%”。因为明天本来就有很多种可能。
KiT 用同样的思路看股票:读完一段 K 线以后,它不只给一个数,而是画出 16 条(或更多)可能的未来走势。下面就是它的一次真实输出,拖动滑块,看那 16 条线怎么从一团噪声里“长”出来:
模型先读历史:过去 400 根 1 小时 K 线(这里只画了最后 48 根)。
KiT 是什么
KiT 是 Boyu Zhang 和 Haorui Li 提出的 K 线预测基础模型,论文见 arXiv:2609.34507,代码和权重开源(AGPL-3.0)。它用美股、A 股和加密货币从 1 分钟到 1 天七种粒度的数十亿根 K 线训练,在论文的测试里,收益预测和波动率预测两项都超过了 Kronos、Chronos、TimesFM 等对比模型。
学完你手里有什么
- 一个装好 KiT 的环境,和官方 2.84 亿参数的模型
- 自己跑出来的预测图:任意一只演示股票、任意一个时间点、七种粒度
- 看懂评估和回测在算什么,知道论文里的 RankIC 0.057 是什么意思
- 一个你自己训练的小 KiT,和一个在 2026 年新数据上微调过的版本,都能拿来出预测图
- 读懂整篇论文:每个设计为什么这样做,消融实验证明它值多少
你需要准备
- 一张 NVIDIA 显卡。官方建议 6GB 以上显存;我们用的是 RTX 4080 SUPER 16GB,推理一次 1 小时线峰值约 2.1GB,训练小模型约 4.3GB
- Python 3.10 以上,会在终端里敲命令
- 约 3GB 硬盘:权重 1.1GB,演示数据 1.2GB
适合学过一点神经网络的人:知道什么是训练、损失函数、Transformer 就够了。扩散模型和流匹配不需要先懂,课里从例子讲起,再落到公式、张量形状和源码。只想用模型出预测的,前两章不需要任何机器学习基础。
课程安排
| 阶段 | 你会做到 |
|---|---|
| 起步 | 明白 KiT 在做什么;装好环境、权重和数据;跑出第一张预测图 |
| 推理 | 换股票、换时间点、换粒度;在速度和精度之间取舍;看懂评估和回测;接入自己的数据 |
| 训练 | 看懂模型结构和训练目标;从零训练一个 3100 万参数的小模型;在官方权重上微调 |
| 读懂论文 | 从零读完 KiT 论文:三个难点和三个回答、每个设计的理由、每张结果表和消融怎么读 |
| 速查 | 报错和常见问题 |
提醒
本课只讲模型怎么用、怎么训练,用于学习和研究。模型输出不构成任何投资建议,回测结果不代表未来收益。
从 KiT 是什么 开始。