Which integrations are available for this server?

Integrates Amazon's Chronos-2 time series foundation model as an optional backend for forecasting. When selected via model="chronos2", the server generates close price predictions with median paths and 10%/90% quantile intervals, using volume as a past covariate.

How do I use Kronos MCP?

1. Click on "Deploy Server". 2. Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state. 3. In the chat, type @ followed by the MCP server name and your instructions, e.g., "@Kronos MCP Forecast the next 20 K-lines for this stock" That's it! The server will respond to your query, and you can continue using it as needed. Here is a step-by-step guide with screenshots.

Kronos MCP

by JingxuanC

Overview Schema Source Related Servers Discussions Admin

Python

Remote

Kronos MCP

清华开源 K 线时序基础模型 Kronos （论文 arXiv:2508.02739，AAAI 2026）的独立 MCP（Model Context Protocol）HTTP 服务。零样本（zero-shot）输入任意 OHLCV K 线序列，输出未来 open/high/low/close/volume 预测路径与交易视角信号，让任何 MCP 客户端（Claude Desktop、Kimi Code、Cursor、自研 Agent）直接调用金融市场时序基础模型。

另接入亚马逊时序基础模型 Chronos-2（amazon/chronos-2， Apache-2.0，chronos-forecasting v2.x Chronos2Pipeline）作为可选后端：各预测工具传 model="chronos2" 即切换（只预测收盘价 close 序列，volume 作为 past covariate；输出中位数路径 + 10%/90% 分位区间，不含 OHLC）。默认后端仍是 Kronos，行为完全不变。

模型代码与权重均为 MIT 协议（上游 model/ 目录原样 vendor 进本仓，许可证见 LICENSE-Kronos）；Chronos-2 为 Apache-2.0。本服务代码同样 MIT。

工具清单（5 个 + `job_status`）

工具	说明	负载
`forecast_kline`	零样本 K 线预测：OHLCV 历史序列 → pred_len 根预测 K 线（OHLCV 均值路径）+ `summary`（方向/预期收益/预测波动率/耗时）+ `uncertainty`（kronos 为采样路径 std / chronos2 为 10%-90% 分位区间）。预测轴时间戳支持 `future_timestamps` 显式指定（按原样使用），否则按输入中位间隔自动顺延（日频/分钟频自适应）并跳过周六/周日（跳过时带 `timestamps_note="weekends skipped"`）；解析失败退回 index 序号并标注	中（同步）
`forecast_signal`	交易视角信号：同一输入跑 N=min(sample_count,5) 次独立采样，统计终点收益方向一致率与离散度 → direction / expected_return_pct / confidence(0-1) / risk_note / sample_vote_direction。direction 与 expected_return_pct 同为均值口径，`summary` 也由均值路径生成（`summary_basis`），同一响应内不会互相矛盾	中（同步，比 forecast_kline 慢 N 倍）
`forecast_batch`	批量预测：series_list 每项 {id, klines}，逐项容错（单项失败带 error 不拖垮整批）。入 JobQueue 异步执行，返回 job_id 后用 `job_status` 工具（MCP 协议内）轮询，或 HTTP `GET /jobs/<id>`	重（异步）
`forecast_compare`	双模型对比：同一输入依次跑 kronos + chronos2，返回两边预测路径、方向是否一致（`compare.directions_agree`）、各自预期收益。单边失败不拖垮另一边（该侧带 error）	中偏重（同步，≈两模型耗时之和）
`model_info`	当前已加载模型、参数量、device、max_context、内存/显存占用、HF 可用模型清单、chronos2 后端状态	轻（同步）
`job_status`	异步任务查询（`server.py` 注册，不走 HANDLERS、不扣额度、按 license key 隔离）：传 `job_id` 返回 `status`（queued/running/done/error/expired）+ `result`/`error`/`elapsed_sec`。`expired` = 结果已过 TTL 被回收；`not_found` = 从未提交或不属于当前 key	轻（同步）

约定：lookback ≤ max_context(512)，pred_len ≥ 1；amount 缺省时用 volume*close 近似。所有输出统一带 method: "kronos-zero-shot" （forecast_compare 为 "model-compare"）；4 个预测类工具（forecast_kline / forecast_signal / forecast_batch / forecast_compare）的每个输出载荷都带 disclaimer（模型输出，非投资建议；概率性预测），各自的 tool description 里也写明同一句话。

model 参数（forecast_kline / forecast_signal / forecast_batch 通用，默认 "kronos"）：

"kronos" 或缺省：Kronos 后端，预测完整 OHLCV；
"chronos2"：Chronos-2 后端，只预测收盘价序列——预测条目中 close=中位数路径、open=close、high/low=0.9/0.1 分位、volume=0，并加法式附加 close_p10/close_p90 字段；summary.note 有说明， summary.pred_volatility 为 10%-90% 区间宽度。chronos2 是确定性分位数预测（无采样随机性），T/top_p/sample_count 对其不生效； forecast_signal 下只跑 1 次，confidence 恒为 1、不代表不确定性；
向后兼容：传 Kronos 的 HF repo id（如 NeoQuasar/Kronos-mini）仍走 kronos 并热切换模型。

Related MCP server: crypto-powerdata-mcp

快速开始

pip install -r requirements.txt
python3 server.py --port 50059

首次 forecast 调用时才从 HuggingFace 下载并加载模型（惰性加载，默认 NeoQuasar/Kronos-small 24.7M 参数）。国内网络可设镜像站：

export HF_ENDPOINT=https://hf-mirror.com

验证：

curl http://127.0.0.1:50059/health
curl http://127.0.0.1:50059/tools   # 应返回 5 个工具

接入 MCP 客户端（以 Claude Desktop / Kimi Code 为例）：

# mcp 配置
kronos:
  url: http://127.0.0.1:50059/mcp

调用示例

forecast_kline — K 线预测

curl -s http://127.0.0.1:50059/mcp -d '{
  "jsonrpc": "2.0", "id": 1, "method": "tools/call",
  "params": {"name": "forecast_kline", "arguments": {
    "klines": [{"timestamps": "2024-08-29 11:25:00", "open": 9.86, "high": 9.89,
                "low": 9.86, "close": 9.86, "volume": 625.0, "amount": 617074.0}, ...],
    "pred_len": 120, "lookback": 400, "sample_count": 5
  }}}'

返回（JSON 字符串）：

{"method": "kronos-zero-shot",
 "predictions": [{"timestamps": "2024-08-29 11:30:00", "open": 9.87, "high": 9.90,
                  "low": 9.85, "close": 9.88, "volume": 512.0, "close_std": 0.02}, ...],
 "summary": {"last_close": 9.86, "pred_close_at_horizon": 9.92,
             "expected_return_pct": 0.61, "direction": "up",
             "pred_volatility": 0.35, "model": "NeoQuasar/Kronos-small",
             "device": "mps", "elapsed_ms": 18230},
 "uncertainty": {"basis": "采样路径离散度：同一次推理内 sample_count=5 条采样路径的 std",
                 "sample_count": 5, "path_std_at_horizon": 0.0211, "close_std": [0.01, 0.02, ...]},
 "timestamps_mode": "inferred",
 "disclaimer": "模型输出，非投资建议；概率性预测存在不确定性，不构成任何买卖建议，请结合其他信息独立判断并自担风险"}

timestamps_mode：provided（用了 future_timestamps，按原样使用、不做周末跳过）/ inferred（按输入中位间隔顺延，跳过周六/周日；一旦发生跳过即带 timestamps_note="weekends skipped"）/ index（时间戳解析失败，退回序号，预测轴接在输入序号之后，另带 timestamps_note）。 KRONOS_HOLIDAYS（见下表）可补齐节假日，推断轴会一并跳过。 uncertainty：kronos 为同一次推理内 sample_count 条采样路径的 std （每条预测另有 close_std）；chronos2 无采样随机性，给出 close_p10/close_p90 区间。

forecast_signal — 交易信号

curl -s http://127.0.0.1:50059/mcp -d '{
  "jsonrpc": "2.0", "id": 2, "method": "tools/call",
  "params": {"name": "forecast_signal", "arguments": {
    "klines": [...], "pred_len": 10, "sample_count": 3
  }}}'

{"method": "kronos-zero-shot", "model": "NeoQuasar/Kronos-small", "device": "mps",
 "direction": "up", "expected_return_pct": 0.42, "confidence": 0.75, "runs": 3,
 "sample_returns_pct": [0.45, 0.38, 0.43], "sign_consistency": 1.0,
 "sample_vote_direction": "up", "sample_votes": {"up": 3, "down": 0, "flat": 0},
 "return_std_pct": 0.036, "risk_note": "多次采样方向一致、离散度低，信号相对可靠（仍为统计预测，非投资建议）",
 "summary": {...}, "summary_basis": "mean_of_3_runs", "timestamps_mode": "inferred",
 "disclaimer": "模型输出，非投资建议；概率性预测存在不确定性，不构成任何买卖建议，请结合其他信息独立判断并自担风险"}

confidence = 方向一致率 × 1/(1+收益std%)：采样方向越一致、离散越小越接近 1。 direction/expected_return_pct/summary 三者同为 N 次采样的均值口径 （summary_basis=mean_of_N_runs），不会出现"均值 -0.8% 却标 up"；采样多数票方向单独放在 sample_vote_direction / sample_votes。

forecast_batch — 批量（异步）

# 1) 提交 → 拿 job_id
curl -s http://127.0.0.1:50059/mcp -d '{
  "jsonrpc": "2.0", "id": 3, "method": "tools/call",
  "params": {"name": "forecast_batch", "arguments": {
    "series_list": [{"id": "sh600977", "klines": [...]},
                    {"id": "bad", "klines": [{"timestamps": "x"}]}],
    "pred_len": 20
  }}}'
# → {"job_id": "ab12cd34ef56", "status": "queued", "poll": "/jobs/ab12cd34ef56", ...}

# 2) 用 job_status 工具在 MCP 协议内轮询（推荐；查状态不扣额度）
curl -s http://127.0.0.1:50059/mcp -d '{
  "jsonrpc": "2.0", "id": 4, "method": "tools/call",
  "params": {"name": "job_status", "arguments": {"job_id": "ab12cd34ef56"}}}'
# → status: queued/running/done/error/expired；done 时 result 为整批 JSON 字符串

# 或用 HTTP 端点（等价）
curl -s http://127.0.0.1:50059/jobs/ab12cd34ef56

异步队列约束（见 mcp_gateway.JobQueue）：单任务超时 MCP_JOB_TIMEOUT （默认 1800s，超时置 status=error / error=timeout 并放行 worker，挂死任务不会永久占位）；结果保留 1h，过期后 job_status 返回 status=expired（区分于 not_found）；running 超过 2×超时仍未完的任务会被 reaper 判定失联并回收。注意 Python 无法强制中断线程，超时任务的底层计算线程可能仍在后台收尾。

forecast_compare — 双模型对比

curl -s http://127.0.0.1:50059/mcp -d '{
  "jsonrpc": "2.0", "id": 5, "method": "tools/call",
  "params": {"name": "forecast_compare", "arguments": {
    "klines": [...], "pred_len": 20
  }}}'

{"method": "model-compare",
 "kronos":   {"predictions": [...], "summary": {...}, "uncertainty": {...},
              "timestamps_mode": "inferred",
              "disclaimer": "模型输出，非投资建议；..."},
 "chronos2": {"predictions": [{"timestamps": "...", "open": 9.87, "high": 9.95,
                "low": 9.80, "close": 9.88, "volume": 0.0,
                "close_p10": 9.80, "close_p90": 9.95}, ...],
              "summary": {..., "note": "chronos2 只预测收盘价：..."},
              "uncertainty": {"basis": "10%-90% 分位区间（...，无采样随机性）", ...},
              "disclaimer": "模型输出，非投资建议；..."},
 "compare": {"directions_agree": true, "kronos_direction": "up",
             "chronos2_direction": "up", "kronos_expected_return_pct": 0.61,
             "chronos2_expected_return_pct": 0.44, "return_diff_pct": 0.17},
 "elapsed_ms": 41000,
 "disclaimer": "模型输出，非投资建议；概率性预测存在不确定性，不构成任何买卖建议，请结合其他信息独立判断并自担风险"}

某侧失败（如 chronos2 权重未放置）时该侧为 {"error": "...", "disclaimer": "..."}， compare 为 null（顶层 disclaimer 仍在）。

model_info

curl -s http://127.0.0.1:50059/mcp -d '{
  "jsonrpc": "2.0", "id": 4, "method": "tools/call",
  "params": {"name": "model_info", "arguments": {}}}'
# → {"loaded": true, "model": "NeoQuasar/Kronos-small", "param_count": 24691208,
#    "device": "mps", "max_context": 512, "available_models": [...], ...}

模型配置

环境变量	默认	说明
`KRONOS_MODEL`	`NeoQuasar/Kronos-small`	预测模型（另有 `Kronos-mini` 4.1M / `Kronos-base` 102.3M，均 MIT）
`KRONOS_TOKENIZER`	`NeoQuasar/Kronos-Tokenizer-base`	K 线分词器
`KRONOS_DEVICE`	`auto`	`auto` = cuda > mps > cpu；也可显式 `cpu`/`cuda`/`mps`
`MODEL_CACHE`	空	模型快照本地目录（Docker 镜像内置 `/models` 预下载）；设置后优先读本地，配 `HF_HUB_OFFLINE=1` 可纯离线
`HF_ENDPOINT`	空	透传 huggingface_hub，国内设 `https://hf-mirror.com`
`CHRONOS_MODEL_PATH`	`/app/models-cache/chronos-2`	Chronos-2 权重本地目录（`model="chronos2"` 时懒加载，`device_map="cpu"`）。GFW 环境不访问 HuggingFace，需预先把 `amazon/chronos-2` 的 HF 快照放进该目录
`KRONOS_HOLIDAYS`	空	额外非交易日（逗号/空格分隔 `YYYY-MM-DD`），推断预测轴时与周末一起跳过；不设则只跳周六/周日

异步队列相关（mcp_gateway.py，均可用 CLI 参数覆盖）：

环境变量 / 参数	默认	说明
`MCP_JOB_TIMEOUT` / `--job-timeout`	`1800`	单个异步任务超时秒数；超时置 `status=error`/`error=timeout` 并放行 worker（挂死任务不再永久占位），`<=0` 关闭。reaper 以 2×该值回收失联的 `running` 任务
`MCP_WORKERS` / `--workers`	`2`	异步 worker 线程数
`MCP_QUEUE_SIZE` / `--queue-size`	`50`	异步队列上限（满则提交即拒）

也可在单次调用里传 model 参数热切换模型（与当前不一致时自动重载）。

Docker 部署

镜像构建期预下载模型到 /models（torch 装 CPU 版控制体积），容器首次 forecast 离线命中本地缓存、秒级响应：

docker compose up -d        # 构建镜像 + 启动容器（首次构建约 5-10 分钟）
docker compose ps

国内构建加速（均为 build-arg，按需组合；compose 里也有注释样例）：

# Docker Hub 不可达 → 基础镜像走加速站；PyPI 走清华源；HF 走镜像站
docker compose build \
  --build-arg BASE_IMAGE=docker.1ms.run/library/python:3.11-slim \
  --build-arg PIP_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple \
  --build-arg HF_ENDPOINT=https://hf-mirror.com

完全离线构建：往 wheels/ 放一个 torch linux CPU wheel （pip download "torch==2.9.1+cpu" --index-url https://download.pytorch.org/whl/cpu --only-binary=:all: --platform manylinux_2_28_aarch64 --python-version 3.11 --no-deps；注意 PyPI 上 aarch64 的 torch≥2.14 会拖 GB 级 CUDA 依赖，别直接用 PyPI 版），再往 models-cache/ 放 HF 快照目录（models--NeoQuasar--*，从 ~/.cache/huggingface/hub/ 拷贝即可），构建全程零下载。代理说明：wheels/ 内置 PySocks/socksio 离线 wheel，Docker Desktop 注入的 socks5 代理（~/.docker/config.json proxies）在构建期可直接用。

Chronos-2（可选后端）离线部署：

依赖：往 wheels/ 放 chronos_forecasting 及其依赖闭包的 wheel （transformers、tokenizers、safetensors、einops 等），Dockerfile 检测到 chronos_forecasting-*.whl 即离线安装，之后的 pip install -r requirements.txt 因依赖已满足不再联网解析它：
```
pip download "chronos-forecasting>=2" -d wheels/ \
  --only-binary=:all: --platform manylinux_2_28_aarch64 --python-version 3.11
# 注意剔除拖入的 torch GPU wheel（torch 由 Dockerfile 单独装 CPU 版）
```
权重：把 amazon/chronos-2 的 HF 快照放到宿主 models-cache/chronos-2/ （bind-mount 到容器 /app/models-cache/chronos-2，即 CHRONOS_MODEL_PATH 默认值；可用 huggingface-cli download amazon/chronos-2 --local-dir 下载后拷贝）。 Chronos-2 懒加载，仅首次 model="chronos2" 请求时载入。
资源：Chronos-2 约 120M 参数（fp32 ≈ 500MB 权重），CPU 推理时 RSS 峰值约 1.5-2GB（与 Kronos 共存时）；3GB 内存机型可用但建议避免与 forecast_batch 重任务并发，首次加载约需十几秒~1 分钟（CPU 反序列化），推理时 torch.set_num_threads(2) 限线程。

换大模型：

docker compose build --build-arg KRONOS_MODEL=NeoQuasar/Kronos-base
# 或不重建镜像：docker compose run -e KRONOS_MODEL=NeoQuasar/Kronos-base ...
# （首次 forecast 时惰性下载；compose 里取消注释 kronos-models 卷可避免重下）

验证：

curl http://127.0.0.1:50059/health
curl http://127.0.0.1:50059/tools   # 应返回 5 个工具

license 鉴权（可选）：在 docker-compose.yml 中取消注释，把宿主机 licenses.json 挂进容器并设置 MCP_LICENSE_FILE。

与 Athena / 系列仓组合

astock-data-mcp / global-data-mcp   取 K 线（A股/全球行情）
        ↓ klines JSON
kronos-mcp (本仓 :50059)            Kronos 零样本预测 → 方向/预期收益/置信度
        ↓ 预测路径作为候选因子或信号
factor-miner-mcp (:50053)           因子回测/OOS 验证信号有效性
causal-mcp (:50057)                 事件研究/反事实验证信号因果性

示例：用 astock-data-mcp 拉 sh600977 的 5 分钟线 → 本仓 forecast_signal 得 direction/confidence → factor-miner-mcp factor_backtest 验证该信号在历史上的 IC/收益表现。

端点一览

GET  /health        健康检查
GET  /tools         工具 JSON schema 列表
POST /mcp           MCP JSON-RPC（initialize / tools/list / tools/call）
GET  /jobs/<id>     异步任务状态/结果（forecast_batch；等价于 job_status 工具）
GET  /quota         license 额度余量（鉴权模式）
GET  /queue-stats   队列概况（含 job_timeout_sec / expired_tombstones）

运行时工具数 = 5（tools.py）+ job_status（server.py，仅队列启用时出现在 tools/list）。

鉴权与额度（可选）

默认开放模式（本地/内网）。设置环境变量后强制 license key 鉴权：

export MCP_LICENSE_FILE=/path/to/licenses.json
python3 server.py --port 50059
# 客户端请求头：X-License-Key: <key>

license JSON 格式与额度语义见 mcp_gateway.py docstring（与 factor-miner-mcp / causal-mcp 相同）。 GET /quota 查余量，GET /queue-stats 看队列。重负载工具（forecast_batch）计入 heavy_quota。

Roadmap

Finetune 工具：上游 finetune/ 目录支持基于 qlib 数据的微调（含 finetune_csv 自定义 CSV 管线），后续可封装为 forecast_finetune 异步工具（训练重负载，走 JobQueue）
Kronos-large：上游预告 2026 Q1 发布更大模型，发布后 KRONOS_MODEL 直接切换即可
更多市场适配：加密/期货高频线验证

致谢

模型与 model/ 代码来自 Kronos （MIT，vendor 自上游 commit 67b630e，LICENSE 见 LICENSE-Kronos）
论文：Shi et al., "Kronos: A Foundation Model for the Language of Financial Markets", arXiv:2508.02739, AAAI 2026；模型权重 HuggingFace NeoQuasar（MIT）
Chronos-2 后端：Ansari et al., "Chronos-2: From Univariate to Universal Forecasting", arXiv:2510.15821；代码 chronos-forecasting 与权重 amazon/chronos-2 均为 Apache-2.0
mcp_gateway.py 与 factor-miner-mcp / causal-mcp 共用同一套鉴权/队列模块
测试数据 examples/data/XSHG_5min_600977.csv 来自上游 examples（600977 上交所 5 分钟线，历史版本恢复，当前上游 master 已移除）

License

MIT（本服务代码）；上游模型代码与权重同为 MIT（LICENSE-Kronos）。

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityMaintained

ResponsivenessNo issues

Resources

GitHub Repository

Need Help?

Related Servers

Related MCP Connectors

Central Command — x402 Trading Intelligence A
io.github.tlefko
Crypto trading intelligence MCP — 34+ endpoints, x402 pay-per-use, AI agent strategy & execution
Cryptocurrency Finance Autonomous Agents
332
Financial Datasets
io.github.pipeworx-io
Financial Datasets AI MCP — wraps financialdatasets.ai
Finance Research & Data
1
Kalshi MCPOAuth
com.kalshi-mcp
Hosted MCP for Kalshi prediction markets: search, odds, order books, settlement rules, and trading.
Finance
1
openmm-mcp A
io.github.QBT-Labs
MCP server for OpenMM — exposes market data, account, trading, and strategy tools to AI agents
Finance
1513

Related MCP Servers

FinBrain MCP
Finance AI & Machine Learning Research & Data
ahmetsbilgin
A
license
C
quality
A
maintenance
Exposes FinBrain financial datasets (AI-powered price predictions, news, sentiment, alternative data, institutional activity) to AI clients via MCP tools.
Updated 15 days ago (2026-09-07 14:29 UTC)
33
9
MIT
crypto-powerdata-mcp
Cryptocurrency Finance Research & Data
veithly
A
license
Not graded
quality
D
maintenance
A comprehensive MCP service for cryptocurrency data acquisition with advanced technical analysis capabilities, supporting 100+ exchanges, 158 TA-Lib indicators, and dual transport protocols (stdio and HTTP/SSE).
Updated a year ago (2025-07-16 08:40 UTC)
5
MIT
predictalot
AI & Machine Learning Research & Data
psyb0t
A
license
Not graded
quality
A
maintenance
MCP server for predictalot, providing streamable HTTP tools for zero-shot time-series forecasting with multiple foundation models and per-type ensembles. Tabular ML endpoints are currently HTTP-only.
Updated 2 months ago (2026-08-01 19:57 UTC)
2
Do What The F*ck You Want To Public
wickworks
Finance Research & Data
psyb0t
A
license
Not graded
quality
A
maintenance
Enables on-demand OHLC bar analysis with configurable technical indicators and smart-money concepts, returning only the requested primitives via stateless HTTP or MCP.
Updated 17 days ago (2026-09-05 19:20 UTC)
1
Do What The F*ck You Want To Public

Kronos MCP

工具清单（5 个 + job_status）

快速开始

调用示例

forecast_kline — K 线预测

forecast_signal — 交易信号

forecast_batch — 批量（异步）

forecast_compare — 双模型对比

model_info

模型配置

Docker 部署

与 Athena / 系列仓组合

端点一览

鉴权与额度（可选）

Roadmap

致谢

License

Maintenance

Resources

Related MCP Connectors

Related MCP Servers

FinBrain MCP

crypto-powerdata-mcp

predictalot

wickworks

工具清单（5 个 + `job_status`）