真的是心态爆炸啊。第一次买基金，跌跌涨涨，亏到头大。T_T 2 个帖子 - 2 位参与者 阅读完整话题
半导体、存储、AI产业链、美股纳斯达克、日本韩国指数、a股科创50等等 过去一年的收益都非常可观，而且存在一种乐观，未来几年还会涨，但是对于大多数普通人，生活开支已经是一个不小的压力了，有一些存款也不多，就是全部投入股票市场，10w的翻倍跟100w的翻倍，差值的绝对值也是在扩大。这样看来贫富差距会不会越来越大呢？ 11 个帖子 - 11 位参与者 阅读完整话题
IT之家 5 月 19 日消息，据《科创板日报》今日报道，多家国资机构和央企巨头已出现在 Kimi 最新股东名单中，除此前已有的互联网大厂与产业基金外， 已加入国智投、北京人工智能基金等多家国资机构及中国移动等央企巨头 。 报道还称，月之暗面近期正在进行的 20 亿美元（IT之家注：现汇率约合 136.25 亿元人民币）融资已进入收尾阶段。多家国资背景机构的入局， 标志着 Kimi 在资本结构上完成了整合 。产品层面，基于 Kimi K2.5 模型打造的 Composer 2.5 今日被集成至全球知名编程应用 Cursor。 Kimi 于今年 1 月和 2 月密集完成 3 轮融资，分别融资 5 亿美元、 7 亿美元和 7 亿美元。算上最新这笔融资，不到半年 Kimi 已融资超 39 亿美元，最新估值相比去年 11 月的约 43 亿美元翻了 4 倍有余。至此 Kimi 累计融资额已超 376 亿人民币，成为大模型创业公司中累计融资最多的公司。 据IT之家此前报道，4 月 20 日， 月之暗面发布并开源了其最新模型 Kimi K2.6 ，该模型在代码编写、长程任务执行及 Agent 集群能力方面实现了全面升级。
Kronos 入场：当 AI 进化到可以“画出”明天的 K 线（二） 上一篇讲到我写了一个使用 Kronos 金融模型预测 K 线走势的脚本工具，因为当时主要是自己使用，就单纯使用脚本命令行执行。但这种无论从使用还是直观程度上都不够友好。趁着这几天比较清闲就抽空写了一个微信小程序放在了公众号上。 微信小程序的主要功能就是输入参数、展示返回的结果。根据输入的股票代码，数据范围，预测参数等数据展示生成的预测 K 线图片。 微信小程序服务端的程序主要是使用 python 编写的一个 API 接口。 服务端 使用的环境 - 服务器：阿里云主机 - Python 3.10+ - qlib 数据（`qlib_data/cn_data`） - Kronos 模型文件（`model/`）+ tokenizer （`tokenizer/`） 环境依赖 flask==3.0.0 fastapi==0.109.0 uvicorn[standard]==0.27.0 pyqlib==0.9.6 torch==2.1.0 numpy==1.26.0 pandas==2.2.0 matplotlib==3.8.0 pillow==10.2.0 pydantic==2.5.0 python-multipart==0.0.6 配置文件 export QLIB_PROVIDER_URI=/path../qlib_data export MODEL_PATH=/path../kronos_model export TOKENIZER_PATH=/path../tokenizer export PORT=8080 微信小程序端 目录结构： miniprogram/ ├── app.js / app.json / app.wxss # 小程序入口 ├── pages/ │ ├── index/ # 首页（参数输入 + 预测结果） │ └── history/ # 历史记录 ├── services/ │ └── api.js # API 封装 └── utils/ └── chart-renderer.js # Canvas K 线渲染器 注意：在微信小程序管理端需要将你自己的域名或者 IP 添加为信任的地址 API 返回的数组包含每根预测 K 线的： date : 日期（ YYYY-MM-DD ） open/high/low/close : 开高低收价格 服务端同时生成一张 K 线图，URL 在 chart_url 字段返回。服务端部署时需确保 /static 路径可访问。 下面附上小程序的界面和使用图 如果大家对我的话题感兴趣的话可以👍➕关注哦,扫码体验小程序噢～ 原文转载自： Kronos 入场：当 AI 进化到可以“画出”明天的 K 线(续)
Kronos 入场：当 AI 进化到可以“画出”明天的 K 线（二） 上一篇讲到我写了一个使用 Kronos 金融模型预测 K 线走势的脚本工具，因为当时主要是自己使用，就单纯使用脚本命令行执行。但这种无论从使用还是直观程度上都不够友好。趁着这几天比较清闲就抽空写了一个微信小程序放在了公众号上。 微信小程序的主要功能就是输入参数、展示返回的结果。根据输入的股票代码，数据范围，预测参数等数据展示生成的预测 K 线图片。 微信小程序服务端的程序主要是使用 python 编写的一个 API 接口。 服务端 使用的环境 - 服务器：阿里云主机 - Python 3.10+ - qlib 数据（`qlib_data/cn_data`） - Kronos 模型文件（`model/`）+ tokenizer （`tokenizer/`） 环境依赖 flask==3.0.0 fastapi==0.109.0 uvicorn[standard]==0.27.0 pyqlib==0.9.6 torch==2.1.0 numpy==1.26.0 pandas==2.2.0 matplotlib==3.8.0 pillow==10.2.0 pydantic==2.5.0 python-multipart==0.0.6 配置文件 export QLIB_PROVIDER_URI=/path../qlib_data export MODEL_PATH=/path../kronos_model export TOKENIZER_PATH=/path../tokenizer export PORT=8080 微信小程序端 目录结构： miniprogram/ ├── app.js / app.json / app.wxss # 小程序入口 ├── pages/ │ ├── index/ # 首页（参数输入 + 预测结果） │ └── history/ # 历史记录 ├── services/ │ └── api.js # API 封装 └── utils/ └── chart-renderer.js # Canvas K 线渲染器 注意：在微信小程序管理端需要将你自己的域名或者 IP 添加为信任的地址 API 返回的数组包含每根预测 K 线的： date : 日期（ YYYY-MM-DD ） open/high/low/close : 开高低收价格 服务端同时生成一张 K 线图，URL 在 chart_url 字段返回。服务端部署时需确保 /static 路径可访问。 下面附上小程序的界面和使用图 如果大家对我的话题感兴趣的话可以👍➕关注哦,扫码体验小程序噢～ 原文转载自： Kronos 入场：当 AI 进化到可以“画出”明天的 K 线(续)
这些招聘岗位是真实的嘛，有没有佬投递过，薪资还是挺可观的 12 个帖子 - 5 位参与者 阅读完整话题
grok cli来啦 有佬试试效果如何了不 他这个额度好像是月刷新！！！ 1 个帖子 - 1 位参与者 阅读完整话题
在 2026 年的 A 股市场，我们不仅在与人博弈，更是在与‘时间序列’背后的幽灵共舞。站在 2026 年这个节点，老派的技术分析正面临前所未有的生存危机。随着全面注册制的深化和超高频量化算法的普及，传统的 MACD 、KDJ 甚至曾经被奉为神谕的“仙人指路”形态，似乎都在被某种无形的力量精准收割。当市场陷入“量价迷雾”，散户与大户的博弈已不再仅仅体现在盘口的挂单上，而变成了算力与逻辑的终极赛跑。最近看到 Kronos 金融模型，我决定尝试将 Kronos 接入我的 A 股量化工作流。 首先介绍一下 Kronos 。Kronos 是一个专为金融市场"语言"——K 线序列预训练的 decoder-only 基础模型系列。与通用时间序列预测模型（ TSFM ）不同，Kronos 专门设计用于处理金融数据独特的高噪声特性。它采用创新的两阶段框架：专用分词器首先将连续的多维 K 线数据（ OHLCV ）量化为分层离散令牌。随后基于这些令牌预训练大型自回归 Transformer ，使其成为适用于多种量化任务的统一模型。 我花了半天的时间在本地使用 Kronos 模型和 qlib 数据，在 CPU 上预测未来交易日的 K 线走势，并输出：K 线图（单图，上预测下真实）。 脚本支持两类模型输入：Kronos 官方模型目录和普通 PyTorch 模型文件 项目目录格式： ├── kronos_qlib_predict.py ├── README.md ├── qlib_data/ ├── model/ ├── tokenizer/ └── Kronos/ 目录说明： model/：本地 Kronos 模型目录 tokenizer/：本地 Kronos tokenizer 目录 Kronos/：官方源码仓库，用于提供 model.py 本地环境要求： CPU 环境即可 已安装本地 qlib 数据 下载模型和 tokenizer 下载 Kronos 模型，推荐使用 Hugging Face Hub 的整仓下载，而不是手动拷贝单个文件： python -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='NeoQuasar/Kronos-base', local_dir='/Users/fighteryu/Downloads/kronos_demo/model', local_dir_use_symlinks=False)" 下载 tokenizer 模型目录中至少应包含： model.safetensors 或其他*.safetensors tokenizer 目录中应包含 tokenizer 所需配置和词表文件。 下载官方 Kronos 源码 当前脚本在加载 Kronos 官方模型时，会使用： from model import Kronos, KronosTokenizer, KronosPredictor 因此需要本地存在官方代码仓库： git clone https://github.com/shiyu-coder/Kronos.git 运行脚本时，需要把 Kronos 仓库加入 PYTHONPATH： 标准运行方法 --provider-uri ~/Downloads/kronos_demo/qlib_data \ --instrument sh600519 \ --start 2023-01-01 \ --end 2024-12-31 \ --model-path ~/Downloads/kronos_demo/model \ --tokenizer-path ~/Downloads/kronos_demo/tokenizer \ --window 64 \ --horizon 5 \ --seed 40 \ --out ~/Downloads/kronos_demo/kronos_pred.csv \ --chart-out ~/Downloads/kronos_demo/kronos_pred.png 执行预测 K 线结果输出 K 线图 股票价格参数会输出到表格中，终端输出如下图 如果是预测的历史的交易数据，生成的图片会展示预测 K 线和实际 K 线，我们可以从图上直观的看到预测和实际 K 线的差别 参数搜索（自动回测） 如果你要自动找更优参数（ window / T / top_p / sample_count ），可以使用--tune： --provider-uri ~/Downloads/kronos_demo/qlib_data \ --instrument sh600519 \ --start 2021-01-01 \ --end 2024-12-31 \ --model-path ~/Downloads/kronos_demo/model \ --tokenizer-path ~/Downloads/kronos_demo/tokenizer \ --horizon 5 \ --seed 40 \ --tune \ --grid-window 64,128,256,384 \ --grid-temp 1.0,0.9,0.7 \ --grid-top-p 0.95,0.9,0.8 \ --grid-sample-count 1,5,10 \ --tune-stride 5 \ --tune-max-windows 120 \ --tune-out ~/Downloads/kronos_demo/kronos_tune_scores.csv 说明： 会在历史区间做滚动回测 评分指标为 close 的 MAE / RMSE / MAPE 结果会保存到--tune-out 程序会打印 RMSE(close)最优参数组合 如何提高预测的数据准确率？提升准确率最有效的是这几件事（按优先级）： 先做可复现评估再调参：固定--seed ，固定回测区间，按滚动窗口评估 MAE/RMSE/MAPE ，先建立 baseline 。 调 window （最关键）：别只用 64 ，建议网格 64/128/256/384/512 ； Kronos-base 上下文上限通常 512 。 调采样参数，随机性较强。要更稳可试： 按标的做独立最优参数：不同股票波动结构差异大，参数不应一套通吃。 数据质量优先：确认 qlib 数据无缺失/异常点，factor 处理一致，避免未来数据泄漏。 分市场/分周期建模：A 股、港股、美股混在一起直接推理常会降精度；不同频率（日线/5min ）也要分开调。 引入真实交易日历：你现在未来日期用 B ，与真实交易日可能不完全一致，建议用交易所日历生成预测日期，减少时间错位误差。 如果允许训练：做微调（提升最大）：用你的目标标的/行业数据做轻量 finetune ，通常比纯 zero-shot 提升明显。 给你一个最实用的执行顺序（ 1 天内可做）： 固定 seed + 固定评估集 跑 window 网格 在最佳 window 上调 T/top_p/sample_count 输出每组参数的 MAE/RMSE 表，选最优 再考虑是否 finetune 如果大家对我的话题感兴趣的话可以👍➕关注哦！ 原文转载自： Kronos 入场：当 AI 进化到可以“画出”明天的 K 线
在 2026 年的 A 股市场，我们不仅在与人博弈，更是在与‘时间序列’背后的幽灵共舞。站在 2026 年这个节点，老派的技术分析正面临前所未有的生存危机。随着全面注册制的深化和超高频量化算法的普及，传统的 MACD 、KDJ 甚至曾经被奉为神谕的“仙人指路”形态，似乎都在被某种无形的力量精准收割。当市场陷入“量价迷雾”，散户与大户的博弈已不再仅仅体现在盘口的挂单上，而变成了算力与逻辑的终极赛跑。最近看到 Kronos 金融模型，我决定尝试将 Kronos 接入我的 A 股量化工作流。 首先介绍一下 Kronos 。Kronos 是一个专为金融市场"语言"——K 线序列预训练的 decoder-only 基础模型系列。与通用时间序列预测模型（ TSFM ）不同，Kronos 专门设计用于处理金融数据独特的高噪声特性。它采用创新的两阶段框架：专用分词器首先将连续的多维 K 线数据（ OHLCV ）量化为分层离散令牌。随后基于这些令牌预训练大型自回归 Transformer ，使其成为适用于多种量化任务的统一模型。 我花了半天的时间在本地使用 Kronos 模型和 qlib 数据，在 CPU 上预测未来交易日的 K 线走势，并输出：K 线图（单图，上预测下真实）。 脚本支持两类模型输入：Kronos 官方模型目录和普通 PyTorch 模型文件 项目目录格式： ├── kronos_qlib_predict.py ├── README.md ├── qlib_data/ ├── model/ ├── tokenizer/ └── Kronos/ 目录说明： model/：本地 Kronos 模型目录 tokenizer/：本地 Kronos tokenizer 目录 Kronos/：官方源码仓库，用于提供 model.py 本地环境要求： CPU 环境即可 已安装本地 qlib 数据 下载模型和 tokenizer 下载 Kronos 模型，推荐使用 Hugging Face Hub 的整仓下载，而不是手动拷贝单个文件： python -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='NeoQuasar/Kronos-base', local_dir='/Users/fighteryu/Downloads/kronos_demo/model', local_dir_use_symlinks=False)" 下载 tokenizer 模型目录中至少应包含： model.safetensors 或其他*.safetensors tokenizer 目录中应包含 tokenizer 所需配置和词表文件。 下载官方 Kronos 源码 当前脚本在加载 Kronos 官方模型时，会使用： from model import Kronos, KronosTokenizer, KronosPredictor 因此需要本地存在官方代码仓库： git clone https://github.com/shiyu-coder/Kronos.git 运行脚本时，需要把 Kronos 仓库加入 PYTHONPATH： 标准运行方法 --provider-uri ~/Downloads/kronos_demo/qlib_data \ --instrument sh600519 \ --start 2023-01-01 \ --end 2024-12-31 \ --model-path ~/Downloads/kronos_demo/model \ --tokenizer-path ~/Downloads/kronos_demo/tokenizer \ --window 64 \ --horizon 5 \ --seed 40 \ --out ~/Downloads/kronos_demo/kronos_pred.csv \ --chart-out ~/Downloads/kronos_demo/kronos_pred.png 执行预测 K 线结果输出 K 线图 股票价格参数会输出到表格中，终端输出如下图 如果是预测的历史的交易数据，生成的图片会展示预测 K 线和实际 K 线，我们可以从图上直观的看到预测和实际 K 线的差别 参数搜索（自动回测） 如果你要自动找更优参数（ window / T / top_p / sample_count ），可以使用--tune： --provider-uri ~/Downloads/kronos_demo/qlib_data \ --instrument sh600519 \ --start 2021-01-01 \ --end 2024-12-31 \ --model-path ~/Downloads/kronos_demo/model \ --tokenizer-path ~/Downloads/kronos_demo/tokenizer \ --horizon 5 \ --seed 40 \ --tune \ --grid-window 64,128,256,384 \ --grid-temp 1.0,0.9,0.7 \ --grid-top-p 0.95,0.9,0.8 \ --grid-sample-count 1,5,10 \ --tune-stride 5 \ --tune-max-windows 120 \ --tune-out ~/Downloads/kronos_demo/kronos_tune_scores.csv 说明： 会在历史区间做滚动回测 评分指标为 close 的 MAE / RMSE / MAPE 结果会保存到--tune-out 程序会打印 RMSE(close)最优参数组合 如何提高预测的数据准确率？提升准确率最有效的是这几件事（按优先级）： 先做可复现评估再调参：固定--seed ，固定回测区间，按滚动窗口评估 MAE/RMSE/MAPE ，先建立 baseline 。 调 window （最关键）：别只用 64 ，建议网格 64/128/256/384/512 ； Kronos-base 上下文上限通常 512 。 调采样参数，随机性较强。要更稳可试： 按标的做独立最优参数：不同股票波动结构差异大，参数不应一套通吃。 数据质量优先：确认 qlib 数据无缺失/异常点，factor 处理一致，避免未来数据泄漏。 分市场/分周期建模：A 股、港股、美股混在一起直接推理常会降精度；不同频率（日线/5min ）也要分开调。 引入真实交易日历：你现在未来日期用 B ，与真实交易日可能不完全一致，建议用交易所日历生成预测日期，减少时间错位误差。 如果允许训练：做微调（提升最大）：用你的目标标的/行业数据做轻量 finetune ，通常比纯 zero-shot 提升明显。 给你一个最实用的执行顺序（ 1 天内可做）： 固定 seed + 固定评估集 跑 window 网格 在最佳 window 上调 T/top_p/sample_count 输出每组参数的 MAE/RMSE 表，选最优 再考虑是否 finetune 如果大家对我的话题感兴趣的话可以👍➕关注哦！ 原文转载自： Kronos 入场：当 AI 进化到可以“画出”明天的 K 线
纳指从去年 10 月份入场 基本横盘调整 直到 4 月份才起飞， 这期间 有两次 大一点的回调 都低吸上了， 4 月份越涨越慌 因为之前 一到 26000 就开始回调， 所以 五一节前 就坐不住清掉了 70% 剩了个底仓，我买的是基金 结果错过 10 个点的涨幅 唉
纳指从去年 10 月份入场 基本横盘调整 直到 4 月份才起飞， 这期间 有两次 大一点的回调 都低吸上了， 4 月份越涨越慌 因为之前 一到 26000 就开始回调， 所以 五一节前 就坐不住清掉了 70% 剩了个底仓，我买的是基金 结果错过 10 个点的涨幅 唉
纳指从去年 10 月份入场 基本横盘调整 直到 4 月份才起飞， 这期间 有两次 大一点的回调 都低吸上了， 4 月份越涨越慌 因为之前 一到 26000 就开始回调， 所以 五一节前 就坐不住清掉了 70% 剩了个底仓，我买的是基金 结果错过 10 个点的涨幅 唉
纳指从去年 10 月份入场 基本横盘调整 直到 4 月份才起飞， 这期间 有两次 大一点的回调 都低吸上了， 4 月份越涨越慌 因为之前 一到 26000 就开始回调， 所以 五一节前 就坐不住清掉了 70% 剩了个底仓，我买的是基金 结果错过 10 个点的涨幅 唉
纳指从去年 10 月份入场 基本横盘调整 直到 4 月份才起飞， 这期间 有两次 大一点的回调 都低吸上了， 4 月份越涨越慌 因为之前 一到 26000 就开始回调， 所以 五一节前 就坐不住清掉了 70% 剩了个底仓，我买的是基金 结果错过 10 个点的涨幅 唉
纳指从去年 10 月份入场 基本横盘调整 直到 4 月份才起飞， 这期间 有两次 大一点的回调 都低吸上了， 4 月份越涨越慌 因为之前 一到 26000 就开始回调， 所以 五一节前 就坐不住清掉了 70% 剩了个底仓，我买的是基金 结果错过 10 个点的涨幅 唉
纳指从去年 10 月份入场 基本横盘调整 直到 4 月份才起飞， 这期间 有两次 大一点的回调 都低吸上了， 4 月份越涨越慌 因为之前 一到 26000 就开始回调， 所以 五一节前 就坐不住清掉了 70% 剩了个底仓，我买的是基金 结果错过 10 个点的涨幅 唉
纳指从去年 10 月份入场 基本横盘调整 直到 4 月份才起飞， 这期间 有两次 大一点的回调 都低吸上了， 4 月份越涨越慌 因为之前 一到 26000 就开始回调， 所以 五一节前 就坐不住清掉了 70% 剩了个底仓，我买的是基金 结果错过 10 个点的涨幅 唉
纳指从去年 10 月份入场 基本横盘调整 直到 4 月份才起飞， 这期间 有两次 大一点的回调 都低吸上了， 4 月份越涨越慌 因为之前 一到 26000 就开始回调， 所以 五一节前 就坐不住清掉了 70% 剩了个底仓，我买的是基金 结果错过 10 个点的涨幅 唉
孙割都开始入场token中转站了，好家伙这赛道越来越卷了啊 以前还在琢磨怎么搞项目，现在直接玩起中转站了，真是没想到。 这波操作有点东西，但门槛也高了不少…… 看来得抓紧学点新东西了 这段话是用ai润色的 哈哈哈，因为要凑够二十个字 5 个帖子 - 5 位参与者 阅读完整话题
IT之家 5 月 3 日消息，今日，2026 北京国际汽车展览会（以下简称“2026 北京车展”），在北京中国国际展览中心（顺义馆）、首都国际会展中心双馆圆满落幕。 IT之家从官方介绍获悉，2026 北京车展首次采用双馆联动、全域布局模式，启用中国国际展览中心（顺义馆）与首都国际会展中心共 17 个展馆， 以 38 万平方米的超大规模 ，创下北京车展在规模上的历史新高，更刷新了全球车展的规模纪录。 本届展会共展出展车 1451 辆 ，其中首发车 181 台、概念车 71 台，数量居全球车展前列，勾勒出全球汽车产业多元共生、创新引领的发展图景，已成为世界观察中国汽车产业发展、深化国际经贸合作与技术交流的重要窗口和高端平台。 展会现场人气爆棚，行业热度持续飙升， 展会期间共吸引 128 万人次入场参观 。值得关注的是本届展会国际关注度空前高涨，共吸引海外观众 6.5 万人次。