Kronos: Un Modello Fondamentale che Insegna ai Grafici Candlestick a Parlare il Linguaggio dei Transformer

Se il mercato è rumore, allora qualsiasi tentativo di prevedere la prossima candela è come decodificare la statica radio. Gli autori di Kronos propongono un approccio radicale: convertire le candele di borsa in token discreti (come le parole in una lingua) e addestrare un transformer a prevedere la "parola successiva" — ovvero la prossima candela.

Non si tratta di un transformer universale per serie temporali "per tutte le occasioni", ma di un modello specializzato per K-line multidimensionali (OHLCV) con caratteristiche del calendario. Il repository shiyu-coder/Kronos è aperto con licenza MIT, i pesi su Hugging Face, l'articolo accettato a AAAI 2026.

Idea Centrale: Candele = Linguaggio

Proprio come ChatGPT impara a prevedere la parola successiva nel testo, Kronos impara a prevedere la prossima candela in una serie di prezzi. Ma prima occorre risolvere un problema chiave: una candela è un vettore continuo (apertura, massimo, minimo, chiusura, volume), mentre i transformer lavorano con token discreti.

La soluzione — un'architettura a due livelli:

1. Tokenizer (BSQ) — comprime la candela continua in un codice discreto
2. Decoder (transformer) — predice il codice successivo in modo autoregressivo

Tokenizer BSQ: Come Comprimere una Candela in Due Numeri

Il modulo chiave — Binary Spherical Quantizer (BSQ):

• Il vettore continuo della candela viene proiettato su una sfera (F.normalize)
• Poi quantizzato in un codice binario
• Il codice viene suddiviso in due livelli: grossolano (S1) e dettagliato (S2)

Questa è la fattorizzazione del vocabolario: invece di un unico dizionario massiccio di dimensione S1 × S2, il modello utilizza due piccole tabelle di embedding — molto più efficienti.

Decoder Gerarchico: Prima lo Scenario, Poi i Dettagli

La testa duale (DualHead) lavora in sequenza:

1. Prima il modello predice S1 — lo "scenario grezzo" (salita? discesa? all'incirca quanto?)
2. Poi con S1 fissato, affina S2 — i dettagli (prezzi esatti, volume)

Link

• 💻 GitHub: shiyu-coder/Kronos
• 📄 Articolo: arXiv:2508.02739
• 📄 Licenza: MIT

Conclusione

Kronos non è "l'ennesimo transformer per serie temporali" ma una pipeline coerente: tokenizer BSQ con controllo del codebook, modello linguistico gerarchico con due livelli di discretizzazione, autoregressione con campionamento a due fasi, normalizzazione su finestra locale. È un'implementazione aperta dell'idea "candele = linguaggio".