https://txtmix.com/tags/%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E9%A2%84%E6%B5%8B/Recent content in 时间序列预测 on Text MatrixHugozh-cnTue, 21 Jul 2026 20:06:14 +0800https://txtmix.com/posts/tech/google-research-timesfm-time-series-foundation-model-guide/Thu, 25 Jun 2026 18:05:25 +0800https://txtmix.com/posts/tech/google-research-timesfm-time-series-foundation-model-guide/<p><code>google-research/timesfm</code>（<strong>Apache-2.0</strong>，2026-06-25 时约 25.5k Stars / 2.4k Forks，2024-04 创建）不是又一个 PyTorch 时序库，而是把 NLP 的&quot;基础模型 + 零样本&quot;路径搬到时序预测上的开源版本。对应的论文 <a href="https://arxiv.org/abs/2310.10688" target="_blank" rel="noopener noreffer "><em>A decoder-only foundation model for time-series forecasting</em></a> 已经被 ICML 2024 收录，仓库是 Google 维护的 open reference，2.5 是当前发布版。</p>https://txtmix.com/posts/tech/kronos-financial-market-foundation-model/Thu, 14 May 2026 20:17:49 +0800https://txtmix.com/posts/tech/kronos-financial-market-foundation-model/<h1 id="kronos金融市场的语言基础模型">Kronos：金融市场的语言基础模型</h1> <p>K 线序列（OHLCV）承载着全球市场的情绪与趋势，但深度学习模型在处理这类数据时面临高噪声、不规则间隔、多维耦合等挑战。Kronos 用一个两阶段框架来应对：分层分词器把连续的多维 K 线数据量化为离散 Token，自回归 Transformer 在 45 个交易所的数据上预训练，覆盖从 4.1M 到 499M 参数的四种规格。</p>