夜雨聆风2万颗星标背后，三个AI金融项目走了三条路
今天刷 GitHub Trending，发现一个挺有意思的现象。AI + 金融方向同时冒出来三个项目，而且星标都很猛，都在两万以上。
dexter、Kronos、TradingAgents-CN。三个项目，三条完全不同的技术路线，但解决的是同一类问题，怎么用 AI 更好地理解和处理金融数据。
我花了一个下午把它们翻了个底朝天，说说各自到底能干嘛，哪些值得你花时间。
先说结论。
如果你关心的是股票预测和量化交易，Kronos 最值得研究。如果你需要的是自动化金融研究和报告生成，dexter 最实用。TradingAgents-CN 产品化做得最完整，但它的许可证有点复杂，个人学习可以用，商业用途得另外谈。
Kronos，把 K线当语言来理解
这个项目来自一个叫 shiyu-coder 的开发者，论文被 AAAI 2026 接收了，GitHub 上已经有 2.3 万颗星。
它做的事情很有想象力。传统的金融预测模型，不管是 LSTM 还是 Transformer，都是直接把股价数字丢进去回归。Kronos 换了个思路，它先搞了一个专用 tokenizer，把 OHLCV（开盘价、最高价、最低价、收盘价、成交量）这种多维连续数据，量化成离散的 token。然后再用一个自回归 Transformer 在这些 token 上做预训练。
听起来像什么？像 GPT 训练文本的过程。只不过 GPT 处理的是自然语言，Kronos 处理的是 K线序列。
这个思路的好处是，模型学到的不再是简单的数值模式，而是一种「金融市场的语言」。它覆盖了全球 45 个交易所的数据预训练，理论上对各种市场都有一定的泛化能力。
模型家族从小到大分四档。mini 只有 410 万参数，small 是 2470 万，base 是 1 亿，large 接近 5 亿。large 没开源，但前面三个都能从 HuggingFace 直接下载。
实际用起来很简单。它提供了一个 KronosPredictor 类，准备一个 pandas DataFrame，包含 open、high、low、close 列，再指定历史窗口长度和预测长度，调用 predict 就行。还支持批量预测和 WebUI 可视化。
最让我觉得有诚意的是，它提供了一套完整的 A股微调 pipeline。用 Qlib 准备数据，微调 tokenizer 和 predictor，然后跑回测。从数据准备到策略评估一条龙。项目作者还很坦诚地加了免责声明，这只是演示流程，不是生产级量化系统，真正的量化还需要组合优化和风险因子中性化。
上手建议：2470 万参数的 small 模型，普通显卡甚至 CPU 都能跑，门槛很低。如果你想入门量化，这是目前最直接的起点。
GitHub：github.com/shiyu-coder/Kronos
dexter，金融版的 Claude Code
virattt/dexter，2.4 万星，今天的 trending 选手。
定位很明确，一个自主金融研究 Agent。你给它一个复杂的金融问题，它会自己拆解成研究步骤，调用工具去采集实时市场数据（收入表、资产负债表、现金流），然后自我验证、迭代优化，最后给你一个有数据支撑的分析结论。
底层是 TypeScript + Bun runtime，支持 OpenAI、Anthropic、Google、xAI、OpenRouter 和本地 Ollama。需要 Financial Datasets API 的 key 来获取市场数据，Exa API 做网页搜索（可选）。
交互方式很直接，命令行跑起来，直接问问题就行。比如问「苹果和微软过去三年的营收增长对比如何，哪个更值得投资」，它会自己去拉数据、分析、输出报告。
它还有个骚操作，支持通过 WhatsApp 交互。把手机号关联上，在 WhatsApp 里给自己发消息，dexter 就会处理并回复。这个功能对于习惯用手机看盘的人还挺方便的。
dexter 自带评估套件，用 LangSmith 做追踪，LLM-as-judge 打分。所有工具调用都会记录到 scratchpad 文件里，方便调试和复现。
上手建议：这个项目的适用场景不是预测股价，而是金融研究和分析报告生成。如果你经常需要做竞品分析、行业研究、财报解读这类工作，dexter 可以帮你自动化很大一部分信息收集和整理的工作。
GitHub：github.com/virattt/dexter
TradingAgents-CN，多智能体协作分析平台
hsliuping/TradingAgents-CN，2.6 万星，三个里面星最多。
这个是基于 Tauric Research 的 TradingAgents 做的中文增强版，核心是多智能体协作。多个 AI Agent 扮演不同角色，基本面分析师、技术分析师、新闻分析师，各自从不同维度分析一只股票，最后汇总出综合判断。
技术上已经从最早的 Streamlit 迁移到了 FastAPI + Vue 3，前后端分离，MongoDB + Redis 双数据库，支持 Docker 部署。产品化程度是三个里面最高的，有用户管理、自选股、批量分析、模拟交易、报告导出（Markdown/Word/PDF）。
数据源支持 AkShare、Tushare、BaoStock，覆盖 A股、港股、美股。LLM 支持国产模型，通义、DeepSeek 都能接。
许可证注意：它的许可证是混合模式，核心分析框架是 Apache 2.0 开源的，但 app 目录（FastAPI 后端）和 frontend 目录（Vue 前端）是专有的。个人学习研究可以免费使用全部功能，商业用途需要单独授权。v2.0 因为盗版问题，作者说暂时不开源了。
上手建议：作为一个学习平台，它确实做得不错，有完整的文档、视频教程和中文界面。但如果你的目标是自己搭建类似系统，建议直接看原始的 TradingAgents 项目（Tauric Research 那个），那个是完全 Apache 2.0 的。
GitHub：github.com/hsliuping/TradingAgents-CN
怎么选
| 项目 | 技术路线 | 适合场景 | 上手门槛 |
|---|---|---|---|
| Kronos | 基础模型（K线 token化） | 量化交易、股价预测 | 低，2470万参数本地可跑 |
| dexter | Agent 编排（自主研究） | 金融研究、报告生成 | 中，需要 API key |
| TradingAgents-CN | 多智能体协作（产品化） | 股票分析、学习研究 | 低，Docker 一键部署 |
Kronos 是基础模型路线，适合量化场景。优势在于模型小、推理快、可以直接微调。缺点是它只解决预测这一个问题，而且预测准确率到底怎么样，还得你自己跑回测验证。
dexter 是 Agent 路线，适合研究场景。优势在于通用性强，换个 API key 就能分析任何美股，不仅限于股票，基金、ETF 都能覆盖。缺点是依赖外部 API，而且每次分析都要消耗 LLM token，成本不低。
TradingAgents-CN 是产品路线，适合想直接用的人。优势是开箱即用，有完整的 Web 界面。缺点是许可证限制了商业使用，而且项目迭代很快，核心框架在频繁重构。
如果只选一个来深入玩，我推荐 Kronos。它的技术思路最新颖，上手成本最低，而且微调 pipeline 直接对准了 A股。对于有兴趣了解量化的人来说，这是一个很好的入门项目。
当然，三个项目都只是工具，没有任何一个能告诉你明天哪只股票会涨。AI 在金融领域的价值，目前更多体现在信息处理效率的提升上，而不是预测能力的突破。理解这一点，才不会对这些工具有不切实际的期待。
以上，如果觉得不错，随手点个赞、在看、转发三连吧。
谢谢你看我的文章，我们，下次再见。
