Kronos نموذج أساسي للأسواق المالية: دليل المستودع

Kronos نموذج أساسي للشموع المالية: ترخيص MIT وأحجام النماذج والتثبيت بحسب README والحدود وكيفية متابعة النموذج في التشغيل. ليس نصيحة مالية.
Kronos modèle fondation pour les marchés financiers

Kronos نموذج أساسي (foundation model): ينشر مستودع shiyu-coder/Kronos عائلة من النماذج المدرَّبة مسبقًا على الشموع اليابانية المالية (سلاسل OHLCV، وتسميها README «K-lines») لإنتاج توقعات للسلاسل الزمنية في الأسواق. يعرض المشروع نحو 43 000 نجمة و7 100 تفرّع وقت المراجعة، في 22 أكتوبر 2026، تحت ترخيص MIT. يتناول هذا الدليل الأداة لا المال: لا يتضمن أي نصيحة استثمارية ولا وعدًا بعائد، ولا شيء هنا يقول إن نموذجًا يتنبأ جيدًا بالأسواق.

لماذا الحديث عنه في مدوّنة عن قابلية الملاحظة؟ لأن نموذج التنبؤ مكوّن إنتاج كغيره: له زمن استجابة واستهلاك لذاكرة GPU ومدخلات يجب التحقق منها وجودة تتدهور. إليك كيف تقرأه وتثبّته بحسب README وتتابعه.

توضيح للأمانة: لم يثبّت span.observer نظام Kronos ولم ينفّذه. الأوامر مأخوذة من README، والصورتان الأوليان شكلان من المستودع، والثالثة مقتطف شيفرة من README.

Kronos نموذج أساسي للأسواق المالية: ما يقوله المستودع

  • الترخيص: MIT (ملف LICENSE في المستودع). اللغة: Python؛ والاعتماديات مسرودة في requirements.txt (ومنها torch>=2.0.0 وpandas وhuggingface_hub وsafetensors).
  • أرقام أعيدت قراءتها في 22 أكتوبر 2026: نحو 43 000 نجمة ونحو 7 100 تفرّع. لا يوجد أي إصدار (release) منشور على صفحة المستودع. وآخر التزام (commit) قرأناه على الفرع الرئيسي يعود إلى 13 أبريل 2026: لم يتحرك المستودع إذن منذ عدة أشهر، وهذا مهم للصيانة.
  • من وراءه: مجموعة من الباحثين؛ يحيل README إلى مقال على arXiv (2508.02739) ويذكر قبوله في مؤتمر AAAI 2026. هذه ادعاءات من README لم نتحقق منها لدى المؤتمر.
  • ما يدّعيه المشروع: أنه «أول نموذج أساسي مفتوح المصدر» للشموع اليابانية، مدرَّب على بيانات من أكثر من 45 بورصة عالمية.

المبدأ بحسب README: يقوم مرمِّز (tokenizer) بتكميم البيانات المستمرة متعددة الأبعاد (open وhigh وlow وclose وvolume) إلى رموز منفصلة هرمية، ثم يُدرَّب مسبقًا محوِّل (Transformer) كبير انحداري ذاتي من نوع «decoder-only» على هذه الرموز.

شكل من مستودع Kronos: على اليسار ترميز الشموع بمرمِّز ثم مفكِّك إعادة بناء، وعلى اليمين تدريب مسبق انحداري ذاتي مع كتلة Transformer سببية وكتل داخلية وانتباه متقاطع
Source : github.com

عائلة النماذج

يسرد README أربعة أحجام، كلها متاحة من Hugging Face (مساحة NeoQuasar) عدا الأكبر:

  • Kronos-mini: 4.1 مليون معامل، وسياق من 2048؛ مرمِّزه Kronos-Tokenizer-2k.
  • Kronos-small: 24.7 مليون معامل، وسياق من 512.
  • Kronos-base: 102.3 مليون معامل، وسياق من 512.
  • Kronos-large: 499.2 مليون معامل، وسياق من 512، غير منشور (معلَّم بعلامة × في جدول README).

التثبيت خطوة بخطوة

  1. ثبّت Python 3.10 أو أحدث (متطلب README)، ثم استنسخ المستودع.
  2. ثبّت الاعتماديات:
    pip install -r requirements.txt
  3. حمّل المرمِّز ونموذجًا من Hugging Face، ثم أنشئ المتنبّئ:
    from model import Kronos, KronosTokenizer, KronosPredictor
    
    tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
    model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
    predictor = KronosPredictor(model, tokenizer, max_context=512)
  4. جهّز DataFrame من pandas بالأعمدة open وhigh وlow وclose (والعمودان volume وamount اختياريان)، وسلسلة التواريخ التاريخية x_timestamp والتواريخ المراد توقعها y_timestamp.
  5. استدعِ predict:
مقتطف من README الخاص بـ Kronos: استدعاء predictor.predict مع df وx_timestamp وy_timestamp وpred_len وT يساوي 1.0 وtop_p يساوي 0.9 وsample_count يساوي 1

يوضح README أن max_context يساوي 512 لـ Kronos-small وKronos-base، ويوصي بعدم تجاوز هذا الطول من التاريخ؛ ويضبط T درجة حرارة أخذ العيّنات، وtop_p نواة أخذ العيّنات، وsample_count عدد المسارات المولَّدة التي يُؤخذ متوسطها. تعيد الدالة DataFrame بالقيم المتوقعة. وتعالج الدالة predict_batch عدة سلاسل بالتوازي، بشرط أن يكون لها طول التاريخ والتوقع نفسه.

ما يظهر من طريقة العمل

ينتج السكربت examples/prediction_example.py رسمًا يقارن القيم الفعلية («Ground Truth») بالتوقع. الشكل أدناه هو شكل README. انظر إليه دون أن تحمّله أكثر مما يُظهر: في نهاية النافذة يبتعد المنحنى المتوقع بوضوح عن المنحنى الفعلي. إنه مثال توضيحي لمشروع بحثي، لا قياس أداء.

شكل من مستودع Kronos: رسمان بيانيان متراكبان، سعر الإغلاق والحجم، مع المنحنى الفعلي باللون الأزرق وتوقع النموذج باللون الأحمر على آخر 120 نقطة
Source : github.com

يحتوي المجلد webui/ على واجهة ويب بإطار Flask: cd webui ثم python run.py، مع صفحة على العنوان http://localhost:7070 بحسب README الخاص بها. تتيح تحميل ملف بيانات واختيار النموذج والجهاز (CPU أو CUDA أو MPS) وضبط درجة الحرارة وtop_p وعدد العيّنات وعرض النتيجة على شكل شموع. ويقترح README أيضًا عرضًا تجريبيًا على الإنترنت وخط ضبط دقيق (fine-tuning) باستخدام Qlib على بيانات أسهم صينية.

الحدود والنقاط المفتوحة

  • لا نصيحة ولا ضمان: يصف README نفسه خط الضبط الدقيق واختبار الأداء التاريخي (backtest) بأنه عرض توضيحي، و«ليس نظام تداول كمّيًا جاهزًا للإنتاج». واختبار تاريخي بلا تكاليف معاملات ولا انزلاق سعري ولا أثر على السوق لا يقول شيئًا عن الواقع.
  • حجم السياق: 512 نقطة لنموذجي small وbase؛ وإذا طال المدخل فإنه يُقتطع.
  • الصيانة: لا إصدار منشور، وآخر التزام قُرئ في أبريل 2026.
  • تعليقات مولَّدة: يذكر README أن كثيرًا من تعليقات المجلد finetune/ كتبها مساعد ذكاء اصطناعي وقد تحتوي أخطاء؛ والشيفرة هي المرجع.
  • البيانات والتراخيص: لبيانات السوق لديك شروط ترخيص خاصة بها، مستقلة عن ترخيص MIT للشيفرة.

مراقبة نموذج تنبؤ

Kronos ليس خدمة: إنه مكتبة Python تستدعيها. لا يصف README مقاييس ولا تتبعات. عليك أنت تجهيز الاستدعاء بالقياس البرمجي (instrumentation)، في Dynatrace SaaS كما في Dynatrace Managed، عبر OpenTelemetry (راجع تجهيز تطبيق Python بـ OpenTelemetry):

  • وحدة span (وحدة عمل داخل التتبع) حول كل استدعاء لـ predict، مع اسم النموذج وpred_len وsample_count سماتٍ؛
  • مقاييس: مدة الاستدلال وحجم الدفعة وذروة ذاكرة GPU (توفرها دالة PyTorch ‏torch.cuda.max_memory_allocated)؛
  • الجودة عبر الزمن: حين تصل القيم الفعلية، احسب الفرق مع التوقع (مثل متوسط الخطأ المطلق) وانشره مقياسًا. انجراف هذا الفرق هو إشارة التنبيه، لا زمن الاستجابة وحده؛
  • سجلات للمدخلات: عدد الأسطر والأعمدة الناقصة ونطاق التواريخ، لاكتشاف البيانات غير المكتملة قبل الاستدلال.

هذه القياسات اقتراحنا لا ميزة في المشروع. ولمتابعة تكاليف وجودة نماذج أخرى، راجع قابلية ملاحظة النماذج اللغوية باستخدام Langfuse وOpenLLMetry.

كيف تتحقق من أن كل شيء يعمل

  1. ينتهي pip install -r requirements.txt دون خطأ، ويعمل import torch.
  2. ينجح تحميل النماذج من Hugging Face؛ ويُنزِّل الاستدعاء الأول الأوزان.
  3. ينتج السكربت examples/prediction_example.py رسمًا بمنحنى التوقع.
  4. تعرض خلفية OpenTelemetry لديك وحدة span لكل توقع، مع مدتها.

أفضل الممارسات

  • عامل المخرجات فرضيةً إحصائية، لا قرارًا آليًا أبدًا.
  • ثبّت إصدارات النموذج والمرمِّز (مراجعة Hugging Face) ودوّنها في وحدات span.
  • تحقق من المدخلات: أطوال متساوية لـ predict_batch ودون قيم ناقصة.
  • قارن التوقع بخط أساس بسيط قبل أن تعطيه أهمية.
  • ولنماذج أخرى تُقدَّم في الإنتاج، راجع vLLM، استدلال النماذج اللغوية في الإنتاج.

الأسئلة الشائعة

هل يستطيع Kronos أن يكسبني مالًا؟

لا يعد هذا الدليل بأي عائد. يقدّم README خطه التوضيحي على أنه عرض، وتوقع سلسلة زمنية ليس استراتيجية. هذه ليست نصيحة مالية.

هل يلزم GPU؟

تقترح واجهة الويب CPU وCUDA وMPS بحسب README الخاص بها. لا يعطي المشروع، فيما قرأناه، قياس أداء لكل عتاد: جرّب النماذج الصغيرة أولًا.

هل يمكنني استخدامه في منتج تجاري؟

الشيفرة تحت ترخيص MIT الذي يسمح بذلك مع ذكر حقوق النشر. تحقق على حدة من الترخيص المعروض على كل نموذج في Hugging Face ومن ترخيص بياناتك.

الخلاصة

Kronos مشروع بحثي مفتوح، مفيد لفهم كيف يمكن «ترميز» الشموع ومعالجتها كلغة. وفي التشغيل يُعامل كأي نموذج: مدخلات متحقق منها وإصدارات مثبتة وزمن استجابة وانجراف جودة مقيسان. ولقطعة أخرى من السلسلة، راجع Hindsight، ذاكرة وكلاء الذكاء الاصطناعي. المصادر: مستودع shiyu-coder/Kronos.

span.observer مدوّنة مجتمعية مستقلة وغير تابعة لشركة Dynatrace LLC ولا للمشاريع المذكورة. العلامات التجارية المذكورة ملك لأصحابها. هذا المقال ليس نصيحة مالية. الأدوات تتطور بسرعة، لذا تحقق دائمًا من الأوامر والخيارات في وثائقها الرسمية.

Total
0
Shares
Leave a Reply

Your email address will not be published. Required fields are marked *

Previous Post
ComfyUI diffusion interface nœuds : installer et superviser

ComfyUI واجهة العقد لنماذج الانتشار: التثبيت والمراقبة

Next Post
freehire moteur recherche d'emploi open source en Go

freehire محرك بحث عن الوظائف مفتوح المصدر بلغة Go

Related Posts