Kronos: Şamdan Grafiklerini Transformer Diline Öğreten Temel Model

Piyasa gürültüden ibaretse, bir sonraki mumu tahmin etmeye çalışmak radyo parazitini deşifre etmek gibidir. Kronos'un yazarları radikal bir yaklaşım öneriyor: borsa mumlarını ayrık token'lara (bir dildeki sözcükler gibi) dönüştürmek ve bir transformer'ı "bir sonraki sözcüğü" — yani bir sonraki mumu — tahmin etmek için eğitmek.

Bu, "her duruma uyan" evrensel bir zaman serisi transformer'ı değil, takvim özellikleriyle birlikte çok boyutlu K-çizgileri (OHLCV) için özelleştirilmiş bir modeldir. shiyu-coder/Kronos deposu MIT lisansıyla açık kaynak olarak sunulmakta, ağırlıklar Hugging Face'te bulunmakta ve makale AAAI 2026'da kabul edilmiştir.

Temel Fikir: Mumlar = Dil

ChatGPT'nin metindeki bir sonraki sözcüğü tahmin etmeyi öğrenmesi gibi, Kronos da fiyat serisindeki bir sonraki mumu tahmin etmeyi öğrenir. Ancak önce temel bir sorunu çözmek gerekmektedir: bir mum sürekli bir vektördür (açılış, en yüksek, en düşük, kapanış, hacim), oysa transformer'lar ayrık token'larla çalışır.

Çözüm — iki katmanlı bir mimari:

1. Tokenizer (BSQ) — sürekli mumu ayrık bir koda sıkıştırır
2. Decoder (transformer) — bir sonraki kodu otomatik bağlanımlı olarak tahmin eder

BSQ Tokenizer: Bir Mumu İki Sayıya Nasıl Sıkıştırılır

Temel modül — Binary Spherical Quantizer (BSQ):

• Sürekli mum vektörü bir küre üzerine yansıtılır (F.normalize)
• Ardından ikili bir koda kuantalanır
• Kod iki seviyeye bölünür: kaba (S1) ve ayrıntılı (S2)

Bu sözcük dağarcığı çarpanlarına ayrımıdır: S1 × S2 boyutunda tek bir büyük sözlük yerine model, iki küçük gömme tablosu kullanır — çok daha verimlidir.

Hiyerarşik Decoder: Önce Senaryo, Sonra Ayrıntılar

Çift başlık (DualHead) sırayla çalışır:

1. Önce model S1'i tahmin eder — "kaba senaryo" (yukarı mı? aşağı mı? yaklaşık ne kadar?)
2. Ardından S1 sabitlenmiş halde S2'yi rafine eder — ayrıntılar (kesin fiyatlar, hacim)

Bağlantılar

• 💻 GitHub: shiyu-coder/Kronos
• 📄 Makale: arXiv:2508.02739
• 📄 Lisans: MIT

Sonuç

Kronos, "zaman serisi için bir başka transformer" değil, tutarlı bir pipeline'dır: kod defteri denetimiyle BSQ tokenizer, iki ayrıklaştırma seviyeli hiyerarşik dil modeli, iki aşamalı örneklemeyle otoregresyon, yerel pencere normalizasyonu. Bu, "mumlar = dil" fikrinin açık bir uygulamasıdır.