Kronos: Model Fondasi yang Mengajarkan Grafik Candlestick Berbicara dalam Bahasa Transformer

Jika pasar adalah kebisingan, maka setiap upaya untuk memprediksi candle berikutnya ibarat menguraikan statis radio. Para penulis Kronos mengusulkan pendekatan radikal: mengonversi candle bursa menjadi token diskret (seperti kata-kata dalam bahasa) dan melatih transformer untuk memprediksi "kata berikutnya" — yaitu, candle berikutnya.

Ini bukan transformer deret waktu universal "untuk semua keperluan", melainkan sebuah model khusus untuk K-line multidimensi (OHLCV) dengan fitur kalender. Repositori shiyu-coder/Kronos terbuka di bawah lisensi MIT, bobot model tersedia di Hugging Face, dan makalahnya diterima di AAAI 2026.

Ide Inti: Candle = Bahasa

Sama seperti ChatGPT belajar memprediksi kata berikutnya dalam teks, Kronos belajar memprediksi candle berikutnya dalam rangkaian harga. Namun pertama-tama, perlu diselesaikan masalah utama: sebuah candle adalah vektor kontinu (open, high, low, close, volume), sementara transformer bekerja dengan token diskret.

Solusinya — arsitektur dua tingkat:

1. Tokenizer (BSQ) — mengompresi candle kontinu menjadi kode diskret
2. Decoder (transformer) — memprediksi kode berikutnya secara autoregressif

Tokenizer BSQ: Cara Mengompresi Candle Menjadi Dua Angka

Modul kunci — Binary Spherical Quantizer (BSQ):

• Vektor candle kontinu diproyeksikan ke sebuah bola (F.normalize)
• Kemudian dikuantisasi menjadi kode biner
• Kode dibagi menjadi dua level: kasar (S1) dan detail (S2)

Ini adalah faktorisasi kosakata: alih-alih satu kamus besar berukuran S1 × S2, model menggunakan dua tabel embedding kecil — jauh lebih efisien.

Decoder Hierarkis: Pertama Skenario, Baru Detail

Head ganda (DualHead) bekerja secara berurutan:

1. Pertama model memprediksi S1 — "skenario kasar" (naik? turun? kira-kira berapa banyak?)
2. Kemudian dengan S1 tetap, menyempurnakan S2 — detail (harga tepat, volume)

Tautan

• 💻 GitHub: shiyu-coder/Kronos
• 📄 Makalah: arXiv:2508.02739
• 📄 Lisensi: MIT

Kesimpulan

Kronos bukan "transformer deret waktu yang lain" melainkan sebuah pipeline yang koheren: tokenizer BSQ dengan kontrol codebook, model bahasa hierarkis dengan dua tingkat diskretisasi, autoregresi dengan sampling dua tahap, normalisasi jendela lokal. Ini adalah implementasi terbuka dari ide "candle = bahasa".