Kronos 딥다이브
— 숫자로 된 캔들을 읽고, 다음 장면을 생성하는 모델

1프로젝트 한줄 요약

Kronos는 과거의 금융 캔들 여러 개를 입력받아 미래 구간의 캔들 수치를 생성하는 사전학습 모델입니다. 핵심은 가격을 곧바로 맞히는 회귀식 대신, 시장의 움직임을 토큰으로 바꿔 다음 토큰을 예측한다는 점입니다. 여기서 토큰은 한국어 단어나 종목명이 아니라, 학습된 숫자 패턴의 식별자입니다.

입력의 기본 단위는 한 시점의 open, high, low, close, volume, amount입니다. 가격 네 개와 거래량·거래대금 두 개를 묶어 시간순으로 나열합니다. 미래 뉴스, 기업 공시, 주문장, 투자자의 자연어 질문을 받는 범용 챗봇 인터페이스는 핵심 모델에 없습니다.

사용자가 만나는 세 가지 객체

2왜 주목받는가

2026-10-23 분석 대상은 GitHub Trending Python Weekly 13위의 Kronos입니다. 다만 순위와 스타 수만으로 특정 주간의 유입 원인까지 알 수는 없습니다. 여기서는 공개된 연구와 코드가 관심을 끌 만한 이유를 세 가지로 나눠 봅니다.

1. 금융 캔들 전용 표현: 종가 한 줄뿐 아니라 가격 네 개와 거래 활동을 함께 압축합니다. 여섯 채널을 하나의 시장 상태로 학습하는 구조를 코드에서 확인할 수 있습니다.
2. 사전학습 모델의 재사용: README는 mini·small·base 가중치를 공개 대상으로 안내합니다. 처음부터 거대한 데이터셋을 모으지 않고도 추론과 미세조정의 구조를 공부할 수 있습니다.
3. 연구에서 화면까지 연결: 토크나이저, 예측기, 두 학습 경로, Qlib 백테스트, Flask 화면이 같은 저장소에 있습니다. 모델 한 개를 서비스 형태로 감쌀 때 생기는 문제도 함께 보입니다.

Kronos 논문은 45개 거래소의 120억 건이 넘는 K-line으로 사전학습했다고 설명합니다. 가격 예측의 RankIC 개선도 보고하지만, 이는 논문의 데이터·비교 모델·실험 조건에 대한 결과입니다. 전체 사전학습 원자료가 이 저장소에 들어 있는 것은 아니므로, 코드만으로 해당 결과 전체를 재현했다고 볼 수 없습니다.

다른 접근과 비교하면 무엇을 배우기 좋은가

다음 표는 설계 관점의 비교입니다. Chronos는 2024년 원 논문, TimesFM은 2024년 수정 논문의 구조를 기준으로 하며, 각 프로젝트의 모든 후속 버전을 묶어 평가하지 않습니다.

비교 근거: Chronos 원 논문 소개, TimesFM 초기 논문. 금융 입력에 잘 맞는 설계라는 사실이 모든 데이터에서 더 높은 정확도를 보장하지는 않습니다.

이 저장소의 교육적 가치는 예측선 자체보다, 표현 학습과 생성 모델을 하나의 데이터 파이프라인으로 연결해 볼 수 있다는 데 있습니다.

3기술 스택 전체 지도

3-1. 백엔드·모델·데이터 처리

루트 requirements.txt가 기본 의존성 선언입니다. pyproject.toml로 빌드되는 패키지 구조는 없습니다. README 기준 Python 요구 버전은 3.10 이상이며, 아래 버전은 의존성 파일에 적힌 값입니다.

3-2. 프론트엔드·HTTP 계층

webui/templates/index.html은 1,238줄의 HTML 한 파일입니다. 인라인 JavaScript 약 600줄, 인라인 CSS 약 430줄이 포함되며 이 수치는 HTML 줄 수와 중복됩니다. React·Vue·TypeScript 빌드가 아니라, Flask가 템플릿을 전달하고 JavaScript가 JSON API를 호출하는 구조입니다.

3-3. 학습·인프라·빌드의 실제 경계

• 분산 학습: finetune/utils/training_utils.py::setup_ddp()는 nccl로 프로세스 그룹을 만들고, RANK·WORLD_SIZE·LOCAL_RANK를 읽습니다. 이는 CUDA 중심 학습 경로입니다.
• 선택적 연구 도구: Qlib 학습·백테스트에는 pyqlib, 학습 스크립트에는 comet_ml, CSV 설정에는 yaml, 테스트에는 pytest가 등장합니다. 루트와 Web UI의 의존성 파일에는 이 패키지들이 선언되어 있지 않습니다.
• Feather 지원: load_data_file()에 pd.read_feather() 분기가 있으나, 일반적으로 필요한 pyarrow는 의존성 파일에 명시되어 있지 않습니다.
• 실행 진입점: webui/run.py, webui/start.sh는 의존성을 확인·설치하는 분기를 갖습니다. 모델 가중치는 Python 의존성과 별도로 필요합니다.
• 배포 설정: 커밋 기준으로 Dockerfile, package.json, Cargo.toml, go.mod, .github/workflows는 없습니다. 컨테이너·자동 배포·CI가 완성되어 있다고 가정하면 안 됩니다.

4아키텍처 심화 분석

아래 구조에서 B는 한 번에 처리하는 시계열 수, T는 과거 길이, H는 예측 길이입니다. S는 시계열 하나당 생성할 경로 수입니다. 모델의 실질적인 입력 채널은 여섯 개이고, 시간 정보는 별도의 다섯 채널로 전달됩니다.

[CSV / pandas DataFrame]                [과거·미래 시각]
           |                                 |
           v                                 v
 KronosPredictor.predict()          calc_time_stamps()
 검사·열 보완·정규화·clip           분/시/요일/일/월
           |                                 |
           | x: (B,T,6)                       | (B,T,5), (B,H,5)
           +----------------+----------------+
                            v
              auto_regressive_inference()
              경로 복제: B --> B*S
                            |
                            v
               KronosTokenizer.encode()
               Linear --> Transformer --> BSQ
                            |
                     s1, s2: (B*S,T)
                            |
              +-------------v-----------------+
              | 과거 토큰 + 시간 임베딩       |
              | Kronos.decode_s1() --> s1 추출 |
              | Kronos.decode_s2() --> s2 추출 |
              | 새 토큰을 창에 추가           |
              +-------------+-----------------+
                            | H회 반복
                            v
                KronosTokenizer.decode()
                마지막 창의 수치 복원
                            |
                    S개 경로의 평균
                            |
                 원래 단위로 역정규화
                            v
              미래 DataFrame: (H,6) / 시계열

[학습] Qlib/CSV --> Dataset --> 토크나이저 복원 학습
                          --> 다음 토큰 예측 학습
[화면] HTML --> Flask JSON API --> Predictor --> 차트 JSON
[저장] Hub 가중치 / 학습 체크포인트 / 예측 결과 JSON

4-1. 설계 패턴 ① — 압축기와 예측기의 책임 분리

KronosTokenizer.forward()는 입력을 선형 변환하고 Transformer를 거쳐 s1_bits + s2_bits 차원으로 줄입니다. model/module.py::BSQuantizer.forward()는 이를 정규화한 뒤 이진 양자화를 수행합니다. encode(..., half=True)는 앞부분과 뒷부분의 비트를 각각 정수 토큰으로 돌려줍니다.

공개 Tokenizer-base 설정은 d_in=6, d_model=256, s1_bits=10, s2_bits=10, group_size=4입니다. 각 계층의 후보는 1,024개이며, 두 번호를 합친 이론적 조합은 2의 20승입니다. 백만 개의 학습 가능한 코드 벡터를 그대로 저장한다는 뜻은 아닙니다.

# model/module.py::BinarySphericalQuantizer.quantize() 핵심
zhat = torch.where(z > 0, 1, -1)
quantized = z + (zhat - z).detach()

# BSQuantizer는 먼저 F.normalize(z, dim=-1)를 적용한다.
# 순전파에서는 부호로 바꾸고, 역전파에서는 z로 기울기를 보낸다.

토크나이저 학습은 z_pre와 z라는 두 복원값을 만듭니다. 앞 계층만으로도 원래 입력을 복원하게 하고, 두 계층을 모두 쓰면 더 풍부하게 복원하게 합니다. finetune/train_tokenizer.py::train_model()의 손실은 (MSE(z_pre,x) + MSE(z,x) + bsq_loss) / 2입니다. 양자화 손실에는 표현이 양자화 결과에 가까워지도록 하는 항과 코드 사용 분포를 조절하는 항이 들어갑니다.

공개 설정의 n_enc_layers=4를 그대로 “Transformer 블록 네 개”라고 읽는 것도 주의해야 합니다. 생성자는 range(self.enc_layers - 1)로 블록을 만듭니다. 디코더도 같은 방식입니다. 설정 이름보다 실제 생성 코드를 읽는 습관을 배우기 좋은 대목입니다.

4-2. 설계 패턴 ② — 한 캔들의 두 토큰을 조건부로 생성

HierarchicalEmbedding.forward()는 s1·s2 임베딩을 이어 붙인 뒤 선형 투영합니다. 여기에 TemporalEmbedding이 분·시·요일·일·월 임베딩의 합을 더합니다. 그 결과를 TransformerBlock들이 읽습니다. 이 블록은 RMSNorm → Attention → 잔차 연결 → RMSNorm → 게이트형 FeedForward → 잔차 연결 순서입니다.

# model/kronos.py::auto_regressive_inference() 흐름을 축약
s1_logits, context = model.decode_s1(s1_ids, s2_ids, stamp)
s1_next = sample_from_logits(s1_logits[:, -1, :], ...)
s2_logits = model.decode_s2(context, s1_next)
s2_next = sample_from_logits(s2_logits[:, -1, :], ...)

# 개념적인 확률 분해 — 정확한 미래값을 확정하는 식이 아니다.
P(다음 토큰 쌍 (s1, s2) | 과거)
  = P(s1 | 과거) * P(s2 | 과거, 이번에 뽑은 s1)

DualHead는 s1·s2의 출력층을 따로 두고, DependencyAwareLayer는 s1 임베딩을 질의로 사용해 문맥을 참조합니다. 핵심은 두 번호를 독립적으로 뽑지 않는다는 점입니다. 앞 계층을 먼저 정한 뒤 뒤 계층의 확률을 계산합니다.

Kronos.forward()에는 use_teacher_forcing 옵션도 있습니다. 그러나 finetune/train_predictor.py의 실제 호출은 이 옵션을 넘기지 않습니다. 기본 분기에서는 모델이 뽑은 s1으로 s2를 조건화합니다. 정답 s1을 항상 넣어 학습한다고 단정하면 구현과 달라집니다.

MultiHeadAttentionWithRoPE.forward()는 PyTorch의 scaled_dot_product_attention(..., is_causal=True)를 사용합니다. 시간 순서 뒤쪽을 보지 못하도록 하는 장치입니다. 위치 관계를 표현하는 RoPE와 달력 정보를 표현하는 시간 임베딩은 서로 다른 역할입니다.

4-3. 설계 패턴 ③ — Predictor가 복잡한 입력 계약을 감싼다

KronosPredictor.predict()는 사용자와 모델 사이의 창구입니다. DataFrame 여부와 필수 가격 열을 검사하고, 거래량·거래대금 열을 보완한 뒤 여섯 입력 열의 결측값을 검사합니다. 열별 평균을 빼고 표준편차에 1e-5를 더한 값으로 나눕니다. 기본 clip=5 범위로 자르고, 결과는 같은 통계로 되돌립니다.

README의 배치 설명에는 선택 열이 없으면 0으로 채운다는 안내가 있지만, 코드는 위처럼 경우를 나눕니다. 또 calc_time_stamps()는 .dt 접근자를 쓰므로, 문서화된 일부 타입 표현만 믿기보다 datetime형 pandas Series를 전달하는 편이 정확합니다.

4-4. 설계 패턴 ④ — 제한된 창에서 반복 생성하고 경로를 평균

auto_regressive_inference()는 처음 입력을 sample_count만큼 복제합니다. 매 단계 s1·s2를 생성하고 토큰 버퍼에 추가하며, 버퍼가 차면 torch.roll(..., shifts=-1)로 오래된 항목을 밀어냅니다. 마지막에는 수치로 복원한 경로들을 np.mean(..., axis=1)로 평균합니다.

sample_count를 늘려도 현재 공개 API가 반환하는 것은 여러 경로의 평균이며, 경로별 분포나 신뢰구간은 반환하지 않습니다. 여러 경로를 평균했다는 사실과 불확실성을 정량화했다는 사실은 구분해야 합니다.

• 긴 과거 입력: 자기회귀 모델의 토큰 창은 max_context로 제한하지만, 원래 입력의 정규화와 토크나이저 인코딩은 그 전에 수행됩니다. 긴 입력의 계산·메모리 비용까지 자동으로 사라지는 것은 아닙니다.
• 긴 예측 구간: 최종 디코딩은 마지막 max_context 구간만 처리합니다. pred_len이 이보다 크면 요청 길이 전체가 복원되지 않아 DataFrame 생성에 문제가 생길 수 있습니다. 연습에서는 예측 길이를 문맥 한도 이내로 둡니다.
• 속도: 이 루프에는 Attention의 K/V를 단계 사이에 보관하는 캐시가 보이지 않습니다. 매번 현재 창을 계산합니다. RoPE의 sin·cos 캐시는 이와 다른 종류의 캐시입니다.
• 샘플링 우선순위: top_k_top_p_filtering()는 top_k > 0인 분기에서 바로 반환합니다. 두 값을 함께 설정해도 이 구현은 top-k와 top-p를 연속 적용하지 않습니다.

5디렉토리 구조 해부

Kronos/
|-- model/                  핵심 신경망과 예측 API
|   |-- kronos.py           Tokenizer / Kronos / Predictor
|   |-- module.py           BSQ / Attention / 임베딩 / 손실
|   `-- __init__.py         공개 객체와 get_model_class()
|-- finetune/               Qlib 기반 미세조정·백테스트
|   |-- config.py           경로·기간·하이퍼파라미터
|   |-- dataset.py          QlibDataset와 과거 기반 정규화
|   |-- qlib_data_preprocess.py
|   |-- train_tokenizer.py
|   |-- train_predictor.py
|   |-- qlib_test.py         예측 점수와 포트폴리오 평가
|   `-- utils/              DDP·시드·모델 크기 도우미
|-- finetune_csv/           CSV 기반 별도 미세조정 경로
|   |-- configs/            YAML 설정 예시
|   |-- data/               홍콩 종목 5분봉 CSV 예시
|   |-- config_loader.py    YAML 읽기·출력 경로 계산
|   |-- finetune_base_model.py
|   |-- finetune_tokenizer.py
|   `-- train_sequential.py 두 단계 순차 실행
|-- examples/               추론·데이터 수집·GUI·백테스트 예제
|-- tests/                  CPU 회귀 테스트
|   `-- data/               입력 CSV·기대 출력·생성 도구
|-- webui/                  Flask 앱과 실행 도우미
|   |-- templates/index.html
|   |-- prediction_results/ 예측 결과 JSON 예시
|   `-- requirements.txt
|-- figures/                README용 그림
|-- requirements.txt
|-- README.md
`-- LICENSE

저장소 전체는 파일 92개이며 Python 30파일·11,196줄입니다. 그중 examples/가 6,060줄로 약 54%를 차지합니다. 따라서 전체 줄 수만 보고 핵심 모델이 거대하다고 판단할 필요는 없습니다. 우선 API 한 함수 → 그 함수가 호출하는 모델 → 학습 데이터 순서로 읽으면 범위를 줄일 수 있습니다.

예제 CSV가 있는 곳과 기본 예제가 찾는 경로는 서로 다릅니다. tests/data/regression_input.csv는 입력 계약을 공부할 때 유용하고, finetune_csv/data/HK_ali_09988_kline_5min_all.csv는 CSV 학습 형식의 실제 예시입니다. 저장소에 일부 시세가 있다고 해서 모든 예제가 그대로 준비되는 것은 아닙니다.

6학습 포인트 (기술별)

6-1. PyTorch — 배치·시간·특성 축을 끝까지 보존하기

초보자가 가장 자주 놓치는 것은 텐서의 축입니다. Qlib 기본 설정은 lookback_window=90, predict_window=10이고, QlibDataset.window는 여기에 1을 더한 101입니다. 다음 토큰을 정답으로 만들 때 한 칸이 필요하기 때문입니다.

# finetune/train_predictor.py::train_model()의 학습 준비
# batch_x: (B, 101, 6), 각 token_seq: (B, 101)
token_seq_0, token_seq_1 = tokenizer.encode(batch_x, half=True)
token_in = [token_seq_0[:, :-1], token_seq_1[:, :-1]]
token_out = [token_seq_0[:, 1:], token_seq_1[:, 1:]]
# token_in: t=0..99, token_out: t=1..100
# s1_logits: (B, 100, 1024) — 공개 small 설정 기준

커밋 67b630e의 학습 루프는 batch_x를 장치에 옮길 때 배치 축을 유지합니다. 크기가 1인 축을 무조건 없애는 squeeze()를 넣으면, 마지막 배치만 1개일 때 배열 모양이 달라질 수 있습니다. 반면 단일 예측 API에서 쓰는 squeeze(0)는 반환을 위해 의도적으로 배치 축을 제거하는 자리입니다.

6-2. pandas·NumPy — 정규화도 예측 시스템의 일부

finetune/dataset.py::QlibDataset.__getitem__()는 처음 90개 관측으로 평균·표준편차를 계산하고, 그 통계를 전체 101개에 적용합니다. 반면 finetune_csv/finetune_base_model.py::CustomKlineDataset.__getitem__()는 전체 창으로 평균·표준편차를 계산합니다. 후자는 미래 평가 구간의 값이 과거 입력 변환에 영향을 줄 수 있는 구조입니다.

# QlibDataset의 원리
past_x = x[:lookback_window]
mean = past_x.mean(axis=0)
std = past_x.std(axis=0)
normalized = (x - mean) / (std + 1e-5)

# CSV 경로의 현재 원리 — x에는 뒤쪽 구간도 포함된다.
mean_all = x.mean(axis=0)
std_all = x.std(axis=0)

모델이 미래를 보지 않도록 Attention을 가려도, 전처리 통계에 미래값이 섞이면 평가의 공정성은 무너질 수 있습니다. 위 두 경로를 비교하면 데이터 누수가 모델 바깥에서도 생긴다는 사실을 배울 수 있습니다.

Qlib 경로도 별도 점검이 필요합니다. finetune/config.py의 학습 기간은 2022-12-31까지인데 검증 기간은 2022-09-01부터 시작합니다. 주석은 과거 문맥 확보를 위한 중첩이라고 설명하지만, prepare_dataset()는 날짜 마스크로 자르고 QlibDataset는 그 안에서 창을 고릅니다. 중첩 구간이 문맥으로만 쓰이도록 정답 위치를 제한하는 장치는 이 두 함수에 보이지 않습니다.

6-3. Transformer — 같은 블록 안의 서로 다른 역할 구분

공개 Kronos-small 설정은 d_model=512, n_heads=8, n_layers=8, ff_dim=1024, learn_te=true입니다. 한 Attention 헤드의 폭은 512÷8=64입니다. 생성자의 일반 매개변수와 실제 공개 체크포인트의 설정을 함께 읽어야 구체적인 모양이 보입니다.

6-4. 학습 루프 — 손실·기울기·분산 처리를 나누어 읽기

finetune/train_predictor.py::train_model()는 토크나이저를 torch.no_grad() 안에서 실행하고, 예측기만 AdamW로 갱신합니다. DualHead.compute_loss()는 s1·s2 교차 엔트로피의 평균을 사용합니다. OneCycleLR가 학습률을 바꾸고, 기울기는 최대 노름 3.0으로 제한합니다.

setup_ddp()와 DistributedSampler, dist.all_reduce()를 따라가면 장치별 계산과 전체 검증 손실 집계를 구분할 수 있습니다. 가장 좋은 검증 손실을 만났을 때 rank 0 프로세스가 save_pretrained()로 체크포인트를 저장합니다.

6-5. 테스트 — 소프트웨어 회귀와 예측 성능을 구분하기

tests/test_kronos_regression.py는 CPU·시드 123·문맥 길이 256/512·top_k=1 조건을 사용합니다. 모델과 토크나이저는 각각 MODEL_REVISION, TOKENIZER_REVISION으로 Hub 리비전을 고정합니다. 첫 테스트는 저장된 CSV 출력과 상대 허용오차 1e-5로 비교하고, 다른 테스트는 정해진 표본의 평균 MSE가 기대값과 가까운지 확인합니다.

이런 테스트는 코드 변경 후 동작이 달라졌는지 찾는 데 적합합니다. 반면 새로운 시장에서 기준선보다 잘 예측하는지, 거래 비용을 감안해도 의미가 있는지는 별도의 평가입니다. 고정 출력 재현 → 보지 않은 기간의 예측 → 전략 평가는 서로 다른 검증 단계입니다.

6-6. Flask·웹 개발 — API를 감싸며 바뀌는 의미 읽기

webui/app.py::predict()는 핵심 Predictor와 같은 이름이지만 책임이 다릅니다. HTTP 본문을 읽고 파일을 열며, 날짜 구간과 표시용 데이터를 만든 뒤 모델에 넘깁니다. 다음 차이를 실제 코드와 대조하면 서비스 계층의 역할이 선명해집니다.

실습으로는 “입력 CSV → 모델에 전달한 열·시각 → 차트에 표시한 시각”을 한 줄씩 대응시켜 보세요. 화면이 그럴듯한 것과 데이터의 의미가 일관된 것은 다른 문제입니다.

7하드웨어 / 시스템 요구사항

README는 Python 3.10 이상을 안내하지만, GPU별 최소 VRAM이나 처리 속도 표는 제공하지 않습니다. 따라서 아래에서 코드가 선택할 수 있는 장치, 가중치만의 산술적 크기, 실험 설계 제안을 구분합니다. 확인되지 않은 “몇 GB면 반드시 된다”는 최소 사양으로 읽으면 안 됩니다.

모델 크기·문맥 길이·공개 여부의 출처는 README의 Model Zoo입니다. 저장량은 표의 반올림된 파라미터 수에 4바이트를 곱한 십진 MB 계산입니다. 토크나이저 가중치, 중간 텐서, Attention, 라이브러리, 학습 기울기·옵티마이저 상태는 포함하지 않았습니다. 다운로드 파일의 실제 크기나 최소 RAM·VRAM 측정값이 아닙니다.

7-1. 목적별 환경 선택

CPU·MPS 분기가 있다는 사실은 모든 운영체제·PyTorch 버전에서 실행이 검증되었다는 의미는 아닙니다. 첫 추론은 CPU의 작은 입력으로 기능을 확인하고, GPU가 필요해지면 같은 입력·샘플링 조건으로 시간과 메모리를 비교하는 순서를 권합니다.

7-2. 메모리를 키우는 세 개의 손잡이

파라미터 수가 작은 모델이라도 문맥 길이와 배치·샘플 수가 커지면 추론 메모리와 시간이 크게 늘어날 수 있습니다. 이 구현은 여러 경로를 실제 배치로 복제하므로, 한 시계열의 sample_count=5는 한 경로와 같은 양의 작업이 아닙니다.

• 문맥 길이: 일반적인 Attention 점수 행렬의 크기는 시간 길이의 제곱에 비례합니다. 512에서 2,048로 늘면 이 행렬의 원소 수는 16배가 됩니다. 최적화 커널의 실제 메모리는 다를 수 있습니다.
• 배치와 경로 수: 입력 시계열 B개에 경로 S개를 생성하면 추론 내부 배치는 B*S입니다. predict_batch()도 이를 고려해야 합니다.
• 예측 길이: 예측 H칸에는 H회의 순차 생성이 필요합니다. 단순히 큰 출력 배열 하나를 한 번에 계산하는 구조가 아닙니다.

7-3. 실습 환경을 준비할 때의 순서

다음은 기본 추론을 위한 준비 명령 예시입니다. Web UI·Qlib·CSV 학습·테스트의 추가 의존성은 3절의 구분대로 따로 확인합니다. 저장소 코드와 모델 가중치의 버전도 각각 기록하세요.

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
# Web UI를 공부할 때는 webui/requirements.txt도 확인한다.
# from_pretrained()의 첫 호출은 Hub 가중치를 내려받을 수 있다.

8직접 해볼 수 있는 실습 과제

다음 예시는 저장소 루트에서 읽는 경로를 사용합니다. 처음에는 원본 파일을 보존하고 별도 실험 파일에서 진행하세요. 목표는 높은 수익률이 아니라, 입력 계약·배열 모양·검증 조건을 설명할 수 있는 결과를 만드는 것입니다.

import pandas as pd

df = pd.read_csv(
    "tests/data/regression_input.csv", parse_dates=["timestamps"]
)
cols = ["open", "high", "low", "close", "volume", "amount"]
print(df[cols].dtypes)
print("결측값:", df[cols].isna().sum().to_dict())
print("시간순:", df["timestamps"].is_monotonic_increasing)
print("중복 시각:", df["timestamps"].duplicated().sum())
valid_high = df["high"].ge(df[["open", "close", "low"]].max(axis=1))
valid_low = df["low"].le(df[["open", "close", "high"]].min(axis=1))
print("가격 관계 위반:", int((~(valid_high & valid_low)).sum()))

import pandas as pd
import torch
from model import Kronos, KronosTokenizer, KronosPredictor

torch.manual_seed(123)
df = pd.read_csv(
    "tests/data/regression_input.csv", parse_dates=["timestamps"]
)
tokenizer = KronosTokenizer.from_pretrained(
    "NeoQuasar/Kronos-Tokenizer-base",
    revision="0e0117387f39004a9016484a186a908917e22426",
)
model = Kronos.from_pretrained(
    "NeoQuasar/Kronos-small",
    revision="901c26c1332695a2a8f243eb2f37243a37bea320",
)
tokenizer.eval()
model.eval()
predictor = KronosPredictor(model, tokenizer, device="cpu", max_context=512)
cols = ["open", "high", "low", "close", "volume", "amount"]
past_ts = df["timestamps"].iloc[:256].reset_index(drop=True)
future_ts = df["timestamps"].iloc[256:264].reset_index(drop=True)
pred = predictor.predict(
    df=df[cols].iloc[:256], x_timestamp=past_ts, y_timestamp=future_ts,
    pred_len=8, T=1.0, top_k=1, top_p=1.0,
    sample_count=1, verbose=False,
)
assert pred.shape == (8, 6)
print(pred.head())

좋은 실습 결과는 예측선 한 장이 아니라, 어떤 입력·버전·시점·기준선으로 검증했는지 다시 따라갈 수 있는 기록입니다.

9관련 기술 심화 학습 로드맵

Python의 함수·클래스와 표 형태의 데이터를 읽을 수 있다는 전제의 학습 순서입니다. 매주 “읽을 소스”와 “만들 결과물”을 함께 정하면, 어려운 논문을 읽다가 길을 잃는 일을 줄일 수 있습니다. 시간이 부족하면 1·2·5주차를 먼저 진행해도 됩니다.

처음부터 모든 수식을 이해하려 하기보다, 입력과 출력의 모양을 고정하고 그 사이의 한 함수를 설명하는 방식으로 깊이를 늘리세요. 토크나이저를 다 읽지 못했더라도, 미래값이 정규화에 섞이는 문제나 시간 인덱스가 어긋나는 문제는 먼저 이해할 수 있습니다.

10핵심 키워드 사전

11참고 링크

현재 상태 (2026-10-23 확인)

공식 저장소·논문·모델

• README — 기능·모델 목록·사용 예제·학습 안내
• Kronos 논문 — 입력 정의·사전학습·평가 조건의 원문
• NeoQuasar 모델 목록 — 가중치와 모델 카드
• Kronos-small 설정 · Tokenizer-base 설정
• 공식 데모 — README에서 안내하는 결과 시각화
• GitHub Trending Python Weekly — 순위는 시점에 따라 바뀜

코드를 다시 읽을 때의 핵심 길잡이

• model/kronos.py — KronosTokenizer, Kronos, KronosPredictor, 생성 루프
• model/module.py — 양자화·Attention·임베딩·손실의 실제 구현
• finetune/dataset.py · CSV 학습과 Dataset — 정규화 범위 비교
• finetune/config.py · 예측기 학습 — 분할 기간·배치·손실·저장 조건
• 회귀 테스트 · Flask 앱 — 재현 조건과 화면 계층의 차이

관련 기술의 공식 자료

• PyTorch 기초 — 텐서·Dataset·자동미분·학습 루프
• PyTorch Attention API — 마스크·Dropout·인과 설정
• Hugging Face Hub 연동 — 모델 다운로드·저장과 Mixin
• BSQ 원 논문 — 이진 구면 양자화의 배경
• Qlib 공식 저장소 — 금융 데이터와 백테스트 도구
• Chronos 원 논문 소개 · TimesFM 초기 논문 — 다른 시계열 표현과 비교