arXiv:2609.34507 AGPL-3.0 License ⭐ GitHub: Luciferbobo/KiT PyTorch 2.4+ / CUDA

KiT: A Foundation Model for Candlestick
Time-Series Forecasting via Diffusion Transformers

基于扩散 Transformer 的金融多尺度 K 线时序预测大模型。在跨越美股、A股与加密货币数十亿根 K 线数据（1分钟至1天共 7 种颗粒度）上深度预训练，在多周期未来收益率与波动率预测两项核心任务上取得全行业 SOTA 突破。

📈 交互式多尺度预测演示 🤗 HuggingFace 预训练权重 🐙 GitHub 源码仓库 ⚡ 租用 South IDC GPU 跑模型

🧠 KiT 模型架构与技术原理

通过流匹配 (Flow Matching) 与扩散 Transformer 将多步 K 线预测建模为条件路径生成任务。

KiT Architecture, Sequence Encoding and KiT Block

01 5 维对数比率状态编码

将原始 OHLCV (开高低收量) 映射为 5 维归一化状态向量 $x_t=(r_{\mathrm{gap}}, r_{\mathrm{body}}, r_{\mathrm{up}}, r_{\mathrm{dn}}, v_t)$，彻底解决时序非平稳性与量纲差异。

02 统一 Token 序列流

历史窗口与待预测跨度拼接为统一 Token 序列输入 KiT 主干网络。历史部分精确位等长返回，模型专注于通过扩散逆过程填充生成未来的连续烛线。

03 AdaLN 共享主干条件调节

跨层全局恒定信号通过 AdaLN 调节每一个网络层，每个 Bar 变化的局部特征直接嵌入序列向量，结合 RoPE 旋转位置编码与 SwiGLU 激活。

04 多尺度全天候泛化

单模型统一掌握 1m、5m、15m、30m、1h、2h、1d 共 7 种颗粒度，覆盖日内超高频高精套利到跨日波段持仓趋势。

💹 7 种时间尺度真实股票预测实测案例

点击切换下方颗粒度，查看 KiT 扩散采样生成的未来 K 线预测轨迹与置信区间 (Confidence Bands)：

300591.SZ · 5 分钟高频日内波动 (2026-01-23)

📊 实测真实量化回测表现 (Top 10 策略)

基于中证500 (CSI500) 样本池的真实量化回测数据，在考虑滑点与交易摩擦成本下依然录得超额 Alpha：

时间尺度 (Scale)	测试窗口数	回测区间	净收益率 (Net Return)	无摩擦收益	沪深500基准 (CSI500)	最大回撤 (Max Drawdown)	双边换手率 / 窗口
1h (小时线)	12	2026-01-05 ~ 2026-04-08	+48.87%	+53.21%	+3.84%	-1.42% (极度平稳)	1.9071
15m (15分钟)	15	2026-01-05 ~ 2026-04-08	+42.34%	+47.36%	+3.84%	-5.85%	1.8441
5m (5分钟)	31	2026-01-05 ~ 2026-04-10	+42.20%	+53.34%	+4.16%	-5.21%	2.0411
2h (2小时)	6	2026-01-05 ~ 2026-04-08	+33.43%	+35.38%	+3.84%	-4.58%	1.7033
30m (30分钟)	12	2026-01-05 ~ 2026-04-08	+28.26%	+31.91%	+3.84%	-8.49%	1.7713
1d (日K线)	3	2026-01-05 ~ 2026-04-08	+15.51%	+16.40%	+3.84%	-6.08%	1.5187

🏆 跨模型学术基准权威评测 (SOTA Comparison)

在收益率 RankIC 与波动率 RankIC 两大核心金融评测体系中，全面领跑主流时序基座：

📈 收益率预测 RankIC (越高越好 ↑)

模型方法 (Method)	15m	1h	1d	均值 (Mean ↑)
KiT (本文模型)	.0526	.0383	.1168	.0571 (SOTA)
Kronos-base-FT	.0442	.0304	.1101	.0521
Chronos-Bolt ext	.0186	.0068	.0052	.0461
TSFlow adapted	.0466	.0102	.0673	.0399
TimesFM 2.5	.0160	.0089	.0116	.0181

⚡ 波动率预测 RankIC (越高越好 ↑)

模型方法 (Method)	15m	1h	1d	均值 (Mean ↑)
KiT (本文模型)	.6900	.5958	.6225	.6600 (SOTA)
Sundial	.5164	.5691	.4486	.5281
GARCH (传统计量)	.6469	.5842	.4255	.5222
Kronos-base-FT	.4466	.4974	.4727	.4974
TimesFM 2.5	.4435	.5407	.3096	.4565

🚀 快速开始与本地运行

仅需 3 步即可拉取源码、下载预训练权重并在本地执行 K 线预测推理：

1. 环境配置与克隆仓库

git clone https://github.com/Luciferbobo/KiT.git cd KiT # 创建 Python 3.13 环境 conda create -n kit python=3.13 -y conda activate kit # 安装 PyTorch 与依赖 pip install torch>=2.4 --index-url https://download.pytorch.org/whl/cu118 pip install -r requirements.txt

2. 下载 HuggingFace 预训练权重与样例数据

pip install huggingface_hub # 下载模型权重 (284M) huggingface-cli download Lucifer744/KiT_model --local-dir ckpt/ # 下载 100 只股票演示数据 huggingface-cli download Lucifer744/KiT_data_demo --local-dir data/ --repo-type dataset

3. 执行指定股票未来预测推理

# 对具体标的进行扩散采样生成未来预测图表 python eval/infer_for_pred.py \ --symbol 300591.SZ \ --scale 5m \ --date 2026-01-23 # 执行全市场量化回测与累计收益绘图 python eval/backtest.py \ --scale 1h \ --top_k 10

加入微信技术交流群：

扫描下方官方微信交流群二维码，与开发者与量化从业者共同交流 DiT 扩散架构与时序预测应用：

⚡ 本地缺少 GPU 显卡运行 KiT 扩散采样？

在 South IDC 弹性云 VPS 算力平台 按小时/按分钟租用配备 NVIDIA 显卡的云主机实例，几分钟内一键部署 PyTorch 与 KiT 预训练模型；或通过我们的 BGP 专线 获得毫秒级跨国行情数据接入。

⚡ 租用弹性云 GPU 算力 📡 BGP 全球低延迟专线 🧠 全球主流大模型榜单

KiT: A Foundation Model for Candlestick Time-Series Forecasting via Diffusion Transformers