用自己的数据
做完这一节,你能把手里的一只股票的 K 线喂给 KiT:要么放进演示数据的目录结构,直接用官方脚本;要么在自己的 Python 代码里调用。
1. 数据长什么样
每只股票、每种粒度一个 parquet 文件,六列:
| 列 | 类型 | 说明 |
|---|---|---|
datetime | datetime64,不带时区 | 这根 K 线的结束时间,比如 1 小时线的 10:30、11:30、14:00、15:00 |
open high low close | float64 | 后复权价格 |
volume | float64 | 成交量 |
README 写的是 date,代码用的是 datetime
官方 README 的“Using Your Own Data”里写的列名是 date,但演示数据和代码读的都是 datetime。用 datetime。
放在:
data/ashare/<粒度>/<代码>.parquet 例如 data/ashare/1d/600000.SH.parquet用 pandas 存一个:
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)要点:
- 用后复权价格。 除权那天如果用不复权价格,模型会以为暴跌了一大截。
- 日线的时间写成 15:00 收盘。 演示数据就是这样(
2026-04-10 15:00:00)。 - 停牌的日子不能有空洞。 脚本会按交易日历核对未来的时间,对不上就拒绝这个锚点。
2. instruments.json:这只股票是谁
模型里每只训练过的股票都有一个编号(vocab_index),对应一个学过的“身份”向量。演示数据的 instruments.json 只有 100 只:
"300368.SZ": {"market": "ashare", "sector": 0, "vocab_index": 1369}权重包里带的 ckpt/step_market_284M/instruments.json 有 4830 只(A 股、美股、加密货币)。你的股票如果在里面,把它那一条原样复制到 data/instruments.json,编号一个都不能改:官方模型卡专门提醒,这些编号选的是训练好的身份向量。
不在里面(比如新上市的),给 "sector": 0, "vocab_index": 0。0 表示“不认识”,模型就只凭 K 线本身来预测。训练时有一部分样本故意把身份换成“不认识”(论文 3.5 节的条件丢弃),所以模型学过这种情况。
3. stats.json:别自己重新算
stats.json 是每个“市场 | 粒度 | 特征”的缩放尺度,比如 ashare|1d|r_body。模型训练时就用这套尺度把五个数缩放到差不多的范围,推理时必须用同一套,预测完也用它还原。
所以:用 A 股数据时,直接用官方的 stats.json。 代码里有 fit_stats 能从数据重新算一套,那是给训练新模型用的,拿新算的尺度喂官方模型,输入的分布就和它学过的不一样了。
4. 用官方脚本
数据和 instruments.json 放好后,和演示数据一样:
python eval/infer_for_pred.py --case 600000.SH,1d,2026-03-10这个脚本要求锚点之后有真实数据(它要对答案)。想预测“明天以后”、手里还没有真实数据,就用下面的 Python 接口。
5. 在自己的代码里调用
把下面存成 KiT 目录里的 my_forecast.py(放在别的目录会找不到 kit_v1),然后 python my_forecast.py:
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)你应该看到:
[info] loaded EMA weights (step=50000)
2026-04-13 15:00:00 (16, 20)演示数据最后一根是 2026-04-10(周五),所以第一根未来 K 线是下周一 4 月 13 日。end_ts=None 时,锚点就是数据的最后一根,未来 20 根的时间按交易日历往后推(trade_dates.csv 要覆盖到那些日期,不然只会跳过周末)。pred 里是 16 条路径的开高低收和成交量,每个都是 (16, 20) 的数组。
这正是官方脚本内部的调用顺序,可以对照 eval/infer_for_pred.py 看。
考考你你的股票不在官方的 instruments.json 里,应该怎么填?
检查一下
- 我的 parquet 有
datetime, open, high, low, close, volume六列,价格是后复权的 - 我知道
instruments.json的编号要从权重包里原样复制,没有就填 0 - 我用 Python 接口拿到了一个
(16, 20)的预测数组
下一节:模型结构。