Cách chạy Mistral Timestral cục bộ cho dự báo chuỗi thời gian

Sẽ thế nào nếu bạn có thể dự báo giá cổ phiếu bằng một mô hình AI nhỏ gọn chạy cục bộ, trả về dự đoán trong vài mili giây và không cần huấn luyện bổ sung?

Dự báo chuỗi thời gian thường gắn với các phương pháp thống kê như ARIMA, các pipeline học máy hoặc các mô hình được huấn luyện trên một tập dữ liệu cụ thể. Timestral, một họ mô hình dự báo open-weight do Mistral AI phát hành ngày 15/10/2026, đi theo hướng khác. Mô hình dự đoán giá trị tương lai từ dữ liệu lịch sử mà không cần fine-tuning, và theo Mistral, phiên bản lớn nhất đứng hạng nhất trong số các mô hình zero-shot tiền huấn luyện trên ba bộ đánh giá công khai.

Mặc dù nhỏ gọn, các mô hình này vẫn đạt độ chính xác cạnh tranh trên nhiều tiêu chí đánh giá dự báo và có thể áp dụng cho mọi thứ từ thị trường tài chính đến tiêu thụ năng lượng và nhu cầu bán lẻ.

Trong hướng dẫn này, chúng ta sẽ tìm hiểu Timestral là gì và cách hoạt động, thiết lập nó cục bộ với Python và uv, rồi kiểm thử trên dữ liệu cổ phiếu Apple (AAPL) thực tế. Chúng ta sẽ tạo dự báo cuốn chiếu theo ngày, so sánh với giá đóng cửa thực tế và một đường cơ sở ngây thơ, và chuyển đổi dự báo thành tín hiệu Mua, Bán hoặc Giữ đơn giản. Bạn cũng có thể xem các hướng dẫn của chúng tôi về dự báo chuỗi thời gian với TimeGPT và ARIMA cho dự báo chuỗi thời gian.

Mistral Timestral là gì?

Timestral là họ mô hình nền tảng chuỗi thời gian open-weight của Mistral AI dành cho dự báo nhanh, đa dụng. Một mô hình nền tảng chuỗi thời gian được tiền huấn luyện một lần trên một tập hợp lớn, đa dạng các chuỗi, để có thể dự báo dữ liệu chưa từng thấy.

Khác với các mô hình dự báo truyền thống cần huấn luyện trên tập dữ liệu cụ thể, Timestral hỗ trợ zero-shot forecasting. Mô hình dự đoán giá trị tương lai trực tiếp từ dữ liệu lịch sử, không cần huấn luyện hay fine-tuning bổ sung.

Timestral là một transformer nhân quả dựa trên patch, được huấn luyện chủ yếu trên dữ liệu tổng hợp, sau đó là giai đoạn huấn luyện thứ hai trên hỗn hợp dữ liệu thực và tổng hợp. Mô hình xử lý giá cổ phiếu, nhu cầu năng lượng, doanh số và phép đo từ cảm biến. Mistral mô tả kiến trúc và quá trình huấn luyện trong báo cáo kỹ thuật.

Mistral phát hành bốn kích thước, mỗi loại đánh đổi khác nhau giữa kích thước mô hình, tốc độ và độ chính xác:

Theo các benchmark đã công bố của Mistral, Timestral-209M đứng đầu trong số các mô hình tiền huấn luyện và zero-shot trên GIFT-Eval, TIME và fev-bench. Mô hình vượt qua các mô hình lớn hơn như TimesFM-3 và Falcon-2.0 trong các so sánh được báo cáo. Đây là kết quả do Mistral tự báo cáo, đã gửi lên bảng xếp hạng GIFT-Eval và TIME, nên hãy kiểm tra bảng xếp hạng để có xác nhận độc lập.

Tốc độ là một lợi thế khác. Trên CPU máy chủ tiêu chuẩn với 8 luồng, Mistral cho biết Timestral-209M dự báo trước một ngày từ ba tuần lịch sử 15 phút trong 113 mili giây, và mẫu 5M mất 17 mili giây. Không cần GPU.

Timestral hỗ trợ các tính năng dự báo sau:

• Ngữ cảnh lịch sử dài: Chấp nhận tối đa 32.768 bước thời gian lịch sử.
• Dự báo đa biến: Dự báo đồng thời nhiều chuỗi thời gian liên quan để cải thiện dự đoán.
• Dự đoán xác suất: Trả về 21 phân vị để ước lượng độ bất định của dự báo thay vì chỉ một giá trị.
• Biến đồng biến: Chấp nhận các biến chỉ-quá-khứ và biết-trước-tương-lai, dạng số hoặc phân loại, có thể ảnh hưởng đến dự báo.
• Suy luận cục bộ: Chạy trên CPU và GPU mà không cần API trả phí. Mã phát hành theo Apache 2.0 và trọng số theo giấy phép MIT sửa đổi.

Trong hướng dẫn này, chúng ta sẽ dùng Timestral-209M, mô hình lớn nhất và chính xác nhất trong họ theo benchmark công bố của Mistral. Chúng ta sẽ chạy cục bộ trên GPU NVIDIA RTX 4070 để dự báo giá cổ phiếu và đánh giá hiệu năng trên dữ liệu thị trường thực.

Thiết lập Timestral trên Linux

Timestral cần Python 3.10 trở lên và PyTorch 2.4 trở lên. Chúng ta sẽ dùng Python 3.12, PyTorch 2.7.0 và uv để tạo môi trường phát triển gọn nhẹ trên máy Linux. Timestral cũng hỗ trợ suy luận trên CPU, nên GPU là tùy chọn.

Trước tiên, hãy xác minh GPU NVIDIA của bạn được nhận diện và driver hoạt động:

nvidia-smiĐược hỗ trợ bởi

Lệnh này hiển thị thông tin GPU, phiên bản driver và khả năng tương thích CUDA. Nếu GPU xuất hiện trong đầu ra, bạn có thể tiếp tục.

Tiếp theo, cài đặt uv, một trình quản lý gói và môi trường Python nhanh:

curl -LsSf https://astral.sh/uv/install.sh | shĐược hỗ trợ bởi

Khởi động lại terminal sau khi cài uv để lệnh khả dụng trong shell của bạn.

Bây giờ tạo thư mục dự án và môi trường ảo Python 3.12:

mkdir timestral-project
cd timestral-project
uv venv --python 3.12
source .venv/bin/activateĐược hỗ trợ bởi

Tiếp theo, cài đặt PyTorch 2.7.0 với hỗ trợ CUDA 12.6:

uv pip install torch==2.7.0 \
  --index-url https://download.pytorch.org/whl/cu126Được hỗ trợ bởi

Trong quá trình thử nghiệm, bản CUDA 12.8 gây lỗi tương thích driver trên RTX 4070 của chúng tôi. Chuyển sang PyTorch 2.7.0 với CUDA 12.6 đã khắc phục mà không cần cập nhật driver. Tùy GPU và driver NVIDIA của bạn, có thể cần bản CUDA khác.

Nếu bạn không có GPU, hãy cài bản CPU bằng cách thay URL index bằng https://download.pytorch.org/whl/cpu. Mã ở phần sau sẽ tự động chuyển về CPU.

Giờ cài đặt Timestral trực tiếp từ kho GitHub chính thức:

uv pip install git+https://github.com/mistralai/timestral.gitĐược hỗ trợ bởi

Cài các thư viện còn lại để tải dữ liệu thị trường, xử lý dự đoán, tạo biểu đồ và chạy notebook:

uv pip install numpy "pandas>=2.2,<3.1" matplotlib \
  yfinance jupyterlab ipykernel tqdmĐược hỗ trợ bởi

Chúng tôi dùng yfinance để lấy giá cổ phiếu lịch sử, pandas và NumPy để xử lý dữ liệu, và Matplotlib để vẽ giá thực so với dự đoán. Chúng tôi cũng giới hạn phiên bản pandas trong phạm vi đã dùng khi thử nghiệm để tránh cảnh báo do tương thích.

Trước khi tiếp tục, hãy xác minh PyTorch có thể truy cập GPU của bạn:

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'No CUDA GPU available')"Được hỗ trợ bởi

Đầu ra của chúng tôi:

2.7.0+cu126
True
NVIDIA GeForce RTX 4070Được hỗ trợ bởi

Giá trị True xác nhận CUDA khả dụng với PyTorch, và dòng cuối cùng nhận diện GPU. Giờ chúng ta đã sẵn sàng bắt đầu thử nghiệm với Timestral.

Thay vì các script Python riêng lẻ, chúng ta sẽ dùng JupyterLab để có thể chạy mã từng bước, kiểm tra giá trị dự báo và so sánh với dữ liệu thị trường thực. Khởi chạy JupyterLab từ thư mục dự án:

python -m jupyter labĐược hỗ trợ bởi

Mở URL hiển thị trong terminal của bạn, thường là http://localhost:8888/lab, và tạo notebook Python mới bằng môi trường vừa cấu hình. Chúng ta sẽ dùng notebook này để nạp Timestral, tạo dự đoán và đánh giá hiệu năng của mô hình.

Dự báo giá cổ phiếu Apple với Timestral

Thay vì tạo dữ liệu tổng hợp, chúng ta sẽ dùng giá cổ phiếu Apple lịch sử thực tế và đo độ chính xác khi Timestral dự đoán giá đóng cửa của ngày giao dịch tiếp theo.

Để thí nghiệm thực tế hơn, chúng ta sẽ dùng dự báo cuốn chiếu một ngày. Với mỗi ngày giao dịch trong giai đoạn kiểm thử, Timestral nhận 500 giá đóng cửa trước đó và chỉ dự đoán giá đóng cửa của ngày kế tiếp.

Chúng ta cũng sẽ so sánh hai phương pháp:

• Dự báo giá thô: Dự đoán trực tiếp giá đóng cửa tiếp theo.
• Dự báo lợi suất log: Dự đoán thay đổi logarit của giá ngày tiếp theo rồi chuyển ngược về giá đóng cửa.

1. Tải giá cổ phiếu lịch sử

Khởi tạo một notebook và import các thư viện cần thiết. Chúng ta cũng đặt mã cổ phiếu, số ngày kiểm thử, cửa sổ ngữ cảnh và tên mô hình.

import numpy as np
import pandas as pd
import torch
import yfinance as yf
import matplotlib.pyplot as plt
from tqdm.auto import tqdm
from IPython.display import display
from timestral import TimestralForecaster

TICKER = "AAPL"
DAYS = 60
WINDOW = 500
MODEL = "mistralai/Timestral-209M"Được hỗ trợ bởi

Bây giờ tải dữ liệu cổ phiếu Apple theo ngày trong 5 năm. Thiết lập auto_adjust=True sẽ trả về giá đóng cửa đã điều chỉnh cho chia tách và cổ tức.

data = yf.download(
    TICKER,
    period="5y",
    interval="1d",
    auto_adjust=True,
    multi_level_index=False,
    progress=False,
)

close = data["Close"].dropna().astype(float)

assert len(close) >= WINDOW + DAYS
assert (close > 0).all()
display(data.tail())Được hỗ trợ bởi

Chúng ta dùng 60 phiên giao dịch cuối để kiểm thử và 500 quan sát liền trước làm ngữ cảnh cho mỗi dự đoán.

2. Nạp Timestral lên GPU của bạn

Nạp mô hình 209M lên GPU, với phương án dự phòng CPU nếu CUDA không khả dụng. 837 MB trọng số sẽ được tải từ Hugging Face khi bạn chạy ô này lần đầu.

device = "cuda" if torch.cuda.is_available() else "cpu"

model = TimestralForecaster.from_pretrained(
    MODEL,
    device=device,
)

print(f"Loaded {MODEL} on {device}")Được hỗ trợ bởi

Mô hình của chúng tôi đã nạp thành công trên RTX 4070:

Loaded mistralai/Timestral-209M on cudaĐược hỗ trợ bởi

3. Tạo dự báo cuốn chiếu theo ngày

Giờ chúng ta tạo hai dự đoán cho mỗi ngày giao dịch: một từ giá đóng cửa lịch sử và một từ lợi suất log. Lợi suất log là thay đổi ngày-qua-ngày của logarit giá, và chúng ta chuyển mỗi lợi suất dự đoán về giá bằng giá đóng cửa liền trước.

actual = []
price_predictions = []
return_predictions = []
previous_prices = []
lower_bounds = []
upper_bounds = []
dates = []

for i in tqdm(range(DAYS), desc="Forecasting"):
    pos = len(close) - DAYS + i
    history = close.iloc[pos - WINDOW:pos].to_numpy(dtype=np.float32)
    previous = float(history[-1])

    with torch.inference_mode():
        # Forecast raw prices
        price_fc = model.forecast(
            history,
            prediction_length=1,
        )
        price_pred = float(price_fc.median.squeeze())

        # Forecast log returns
        returns = np.diff(np.log(history))
        return_fc = model.forecast(
            returns.astype(np.float32),
            prediction_length=1,
        )
        return_pred = previous * np.exp(
            float(return_fc.median.squeeze())
        )

    actual.append(float(close.iloc[pos]))
    previous_prices.append(previous)
    price_predictions.append(price_pred)
    return_predictions.append(return_pred)
    lower_bounds.append(float(price_fc.quantile(0.1).squeeze()))
    upper_bounds.append(float(price_fc.quantile(0.9).squeeze()))
    dates.append(close.index[pos])

actual = np.array(actual)
previous_prices = np.array(previous_prices)
price_predictions = np.array(price_predictions)
return_predictions = np.array(return_predictions)
lower_bounds = np.array(lower_bounds)
upper_bounds = np.array(upper_bounds)

results = pd.DataFrame({
    "Previous Close": previous_prices,
    "Actual": actual,
    "Raw Prediction": price_predictions,
    "Return Prediction": return_predictions,
    "Lower 10%": lower_bounds,
    "Upper 90%": upper_bounds,
}, index=pd.DatetimeIndex(dates, name="Date"))

display(results.tail())Được hỗ trợ bởi

Mô hình tạo 60 dự báo cuốn chiếu theo ngày, sử dụng 500 giá đóng cửa trước đó cho mỗi dự đoán. Mỗi dự báo chỉ dùng dữ liệu có sẵn trước ngày mục tiêu, nên không có việc rò rỉ giá tương lai vào đầu vào của mô hình.

4. Đánh giá độ chính xác dự báo

Chúng ta đo sai số tuyệt đối trung bình (MAE), căn phương sai sai số trung bình (RMSE), sai số phần trăm tuyệt đối trung bình (MAPE) và độ chính xác hướng. Chúng ta cũng so sánh Timestral với đường cơ sở ngây thơ giả định giá đóng cửa ngày mai bằng ngày hôm nay.

actual = results["Actual"].to_numpy()
previous = results["Previous Close"].to_numpy()
raw = results["Raw Prediction"].to_numpy()
ret = results["Return Prediction"].to_numpy()

def evaluate(prediction, baseline=False):
    metrics = {
        "MAE ($)": np.mean(np.abs(actual - prediction)),
        "RMSE ($)": np.sqrt(np.mean((actual - prediction) ** 2)),
        "MAPE (%)": np.mean(np.abs((actual - prediction) / actual)) * 100,
    }
    metrics["Direction (%)"] = (
        np.nan if baseline
        else np.mean(np.sign(actual - previous) == np.sign(prediction - previous)) * 100
    )
    return metrics

metrics = pd.DataFrame({
    "Baseline": evaluate(previous, baseline=True),
    "Raw Prices": evaluate(raw),
    "Log Returns": evaluate(ret),
}).T

coverage = (
    (actual >= results["Lower 10%"].to_numpy())
    & (actual <= results["Upper 90%"].to_numpy())
).mean() * 100

display(metrics.round(2))
print(f"Raw-price 10-90% interval coverage: {coverage:.1f}%")Được hỗ trợ bởi

Kết quả của chúng tôi cho thấy Timestral hoạt động tốt hơn một chút khi dự báo lợi suất log thay vì giá cổ phiếu thô. 

Phương pháp lợi suất log đạt MAE thấp nhất (3,05 USD), RMSE (3,84 USD) và MAPE (0,93%), nhỉnh hơn đôi chút so với mô hình đường cơ sở. 

Quan trọng hơn, độ chính xác hướng tăng từ 41,67% với giá thô lên 55% với lợi suất log, cho thấy hiệu năng tốt hơn trong việc dự đoán giá tăng hay giảm. 

Mô hình giá thô cũng đạt độ phủ khoảng tin cậy 10–90% là 81,7%, gần mức kỳ vọng 80%, cho thấy ước lượng bất định khá được hiệu chỉnh. Nhìn chung, Timestral tạo dự báo giá khá chính xác, nhưng mức cải thiện so với đường cơ sở đơn giản là tối thiểu, và cần thử nghiệm thêm để xác định liệu dự đoán có thể hỗ trợ quyết định giao dịch một cách đáng tin cậy hay không.

5. Trực quan hóa dự báo của Timestral

Hãy vẽ giá đóng cửa thực tế so với cả hai phương pháp dự báo bằng Matplotlib.

fig, axes = plt.subplots(
    2, 1,
    figsize=(14, 9),
    gridspec_kw={"height_ratios": [2, 1]},
    sharex=True,
)

# Actual vs predicted prices
axes[0].plot(
    dates, actual,
    label="Actual Price",
    color="green",
    linewidth=2.5,
)
axes[0].plot(
    dates, price_predictions,
    label="Timestral Raw Price",
    color="orange",
    linestyle="--",
)
axes[0].plot(
    dates, return_predictions,
    label="Timestral Log Returns",
    color="royalblue",
    linestyle="--",
)
axes[0].fill_between(
    dates,
    lower_bounds,
    upper_bounds,
    color="orange",
    alpha=0.12,
    label="10-90% Forecast Range",
)
axes[0].set_title(f"Timestral-209M | {TICKER} Rolling One-Day Forecast")
axes[0].set_ylabel("Adjusted Close (USD)")
axes[0].legend()
axes[0].grid(alpha=0.2)

# Prediction errors
axes[1].plot(
    dates,
    price_predictions - actual,
    label="Raw Price Error",
    color="orange",
)
axes[1].plot(
    dates,
    return_predictions - actual,
    label="Log Return Error",
    color="royalblue",
)
axes[1].axhline(0, color="black", linestyle=":")
axes[1].set_ylabel("Error ($)")
axes[1].set_xlabel("Date")
axes[1].legend()
axes[1].grid(alpha=0.2)

fig.autofmt_xdate()
plt.tight_layout()
fig.savefig("aapl_improved.png", dpi=180, bbox_inches="tight")
plt.show()Được hỗ trợ bởi

Biểu đồ cho thấy Timestral bám khá sát giá thực tế của Apple trong 60 ngày giao dịch. Cả hai cách tiếp cận đều nắm bắt được xu hướng đi lên, và vùng cam đậm là khoảng dự báo 10–90% của mô hình giá thô. Bảng dưới thể hiện sai số dự báo hằng ngày.

Đa số sai số nằm trong khoảng 5 USD, với một vài lần trượt lớn 9 đến 11 USD khi giá biến động đột ngột. Hai phương pháp tạo ra dự báo gần như giống nhau, với lợi suất log nhỉnh hơn đôi chút. Cả hai đường dự báo cũng trễ so với giá thực khoảng một ngày, phù hợp với việc khoảng cách đến đường cơ sở ngây thơ khá nhỏ.

6. Tạo tín hiệu Mua, Giữ và Bán

Giờ hãy chuyển dự đoán giá thô thành các tín hiệu Mua, Giữ và Bán ở mức thử nghiệm. Chúng ta dùng ngưỡng 1% trên thay đổi giá dự đoán:

• MUA: Dự đoán tăng giá lớn hơn 1%.
• BÁN: Dự đoán giảm giá lớn hơn 1%.
• GIỮ: Dự đoán biến động giá trong khoảng -1% đến +1%.

Chúng ta có thể hiện thực các quy tắc này bằng NumPy:

THRESHOLD = 1.0

change_pct = (
    price_predictions / previous_prices - 1
) * 100

signals = np.where(
    change_pct > THRESHOLD,
    "BUY",
    np.where(change_pct < -THRESHOLD, "SELL", "HOLD"),
)

results["Expected Change (%)"] = change_pct
results["Signal"] = signals

display(results.tail(10).round(2))
display(results["Signal"].value_counts())

results.to_csv("aapl_signals.csv")Được hỗ trợ bởi

Cả 60 ngày giao dịch đều cho tín hiệu GIỮ, không có khuyến nghị MUA hoặc BÁN. Ở 10 hàng cuối hiển thị, mức thay đổi kỳ vọng không vượt 0,15% theo cả hai hướng, thấp hơn nhiều so với ngưỡng 1%.

Các tín hiệu này dựa trên dự đoán giá thô, vốn có độ chính xác hướng yếu hơn (41,67%). Để xem tín hiệu từ dự báo lợi suất log, hãy thay price_predictions bằng return_predictions trong phép tính change_pct. Ngưỡng thấp hơn sẽ tạo nhiều tín hiệu MUA và BÁN hơn, nhưng cũng khiến chúng nhạy cảm hơn với sai số dự báo và nhiễu thị trường.

Các tín hiệu này chỉ nhằm mục đích thử nghiệm, không phải giao dịch thực, và nội dung trong hướng dẫn này không phải lời khuyên tài chính. Cần backtest thêm, điều chỉnh ngưỡng và phân tích chi phí giao dịch để xác định liệu chúng có thể hỗ trợ một chiến lược sinh lợi hay không.

Kết luận

Nhìn chung, tôi thực sự ấn tượng với Timestral. 

Toàn bộ quá trình thiết lập rất đơn giản, suy luận nhanh, và tôi có thể chạy tất cả cục bộ trên RTX 4070 mà không phụ thuộc vào API bên ngoài. 

Điểm hấp dẫn nữa là các mô hình gọn nhẹ này cũng có thể chạy trên CPU, giúp tiếp cận mà không cần phần cứng đắt tiền.

Về độ chính xác dự báo, kết quả của chúng tôi là pha trộn. 

Timestral bám theo giá cổ phiếu khá tốt, nhưng chỉ nhỉnh hơn chút ít so với đường cơ sở đơn giản.

Tôi không phải chuyên gia dự báo tài chính hay giao dịch, nên có lẽ còn nhiều điều tôi có thể làm với chuẩn bị dữ liệu, chiến lược dự báo và tinh chỉnh tham số để đạt kết quả tốt hơn.

Trước đây tôi đã dùng các dịch vụ dự báo được lưu trữ như TimeGPT, nhưng Timestral khiến dự báo cục bộ trở nên hấp dẫn hơn nhiều. Kể từ khi ra mắt, tôi đã bắt đầu chuyển nhiều khối lượng công việc dự báo sang các mô hình cục bộ vì chúng nhanh, gọn nhẹ, và không có cuộc gọi API hay phí theo mức sử dụng.

Với tôi, điểm mạnh lớn nhất của Timestral không chỉ là độ chính xác, mà là cách mô hình giúp việc dự báo trở nên dễ dàng và ít tốn kém.

Bạn có thể chạy một mô hình chuỗi thời gian đủ mạnh trên phần cứng của riêng mình, thoải mái thử nghiệm và tích hợp vào ứng dụng mà không phụ thuộc dịch vụ bên ngoài. Dù dự đoán cổ phiếu của chúng tôi chưa ấn tượng, tôi cho rằng Timestral là lựa chọn tuyệt vời cho bất kỳ ai xây dựng ứng dụng dự báo cục bộ.

Nếu bạn muốn tìm hiểu sâu hơn về dự báo, tôi khuyên bạn nên xem khóa học Phân tích chuỗi thời gian bằng Python của chúng tôi. Với mô hình hóa chuyên về tài chính, hãy thử Học máy cho tài chính bằng Python.