Lorentzian Classification: الدليل الشامل للتعلم الآلي
Lorentzian Classification هو مؤشر من نوع الجيران الأقرب k-nearest-neighbors يجد الشموع التاريخية الأكثر شبهًا بالشمعة الحالية ويتنبأ بالاتجاه من طريقة انتهاء تلك الجيران. يقيس التشابه باستخدام مسافة Lorentzian بدلًا من Euclidean، وهي تضغط القراءات المتطرفة حتى تشوّه الأسواق المتقلبة عملية البحث بدرجة أقل. عدد الجيران، k، يحدد الحساسية؛ أما النسخ المتكيفة فتعدل k وفق ظروف السوق.
يُعد Lorentzian Classification من أكثر مؤشرات التعلم الآلي تداولًا في النقاش على TradingView، ولسبب وجيه: فبدلًا من المتوسطات المتحركة والعتبات المعتادة، يتعامل مع التداول كمشكلة تعرف على الأنماط. ينظر إلى ظروف السوق الحالية، ويبحث في التاريخ عن أكثر الحالات الماضية شبهًا بها، ثم يصنف الحركة التالية المرجحة بناءً على ما حدث في تلك المرات، مستخدمًا مقياس مسافة غير مألوف هو مسافة Lorentzian، الذي يتعامل مع الأسواق المتقلبة بسلاسة أكبر من الهندسة العادية.
يشرح هذا الدليل ما هو Lorentzian Classification فعليًا، وكيف تعمل فكرة k-nearest-neighbours ومسافة Lorentzian بلغة بسيطة، وما معنى الميزات والإعدادات، وكيف تستخدمه بعقلانية من دون الوقوع في فخاخ "مؤشر الذكاء الاصطناعي" الشائعة. كما يمر على مثال حي باستخدام تنفيذ Adaptive Lorentzian الخاص بـ Quantum Algo حتى ترى المفهوم على رسم بياني حقيقي.
أي نوع من النماذج هو Lorentzian Classification؟
في جوهره، Lorentzian Classification هو مصنف k-nearest-neighbours (k-NN) مطبق على السعر. تُعد k-NN من أقدم طرق التعلم الآلي وأكثرها بداهة: لتصنيف مثال جديد، تجد أكثر k أمثلة ماضية شبهًا به وتتركها تصوت. عند تطبيق ذلك على التداول، يكون كل "مثال" لقطة لظروف السوق على شمعة، موصوفة بعدد صغير من قيم المؤشرات، وتكون التسمية هي ما فعله السعر بعد ذلك. تُصنف الشمعة الحالية عبر إيجاد أكثر الشموع التاريخية شبهًا بها ومعرفة ما إذا كان معظمها قد تبعته حركات صاعدة أم هابطة.
ما يميز هذا المؤشر تحديدًا هو اختيار المسافة. لكي تقرر أي الشموع الماضية "أكثر شبهًا"، تحتاج إلى طريقة لقياس الفجوة بين لقطتين للسوق. تستخدم معظم الطرق مسافة Euclidean، أي هندسة الخط المستقيم العادية. أما Lorentzian Classification فيستخدم مسافة Lorentzian، وهي مقياس مستعار من رياضيات الزمكان، يضغط أثر الفروق الكبيرة. عمليًا، يعني ذلك أن القراءات المتطرفة والمتقلبة تشوه بحث التشابه بدرجة أقل، لذلك تميل الجيران التي يجدها إلى أن تكون قابلة للمقارنة بصدق أكبر في الأسواق المضطربة.
كيف تصنف k-nearest-neighbours الشمعة الحالية؟
تكون الآلية أسهل للفهم كسلسلة خطوات. تُخزن كل شمعة تاريخية كنقطة في "فضاء ميزات" تمثل محاوره قراءات المؤشرات على تلك الشمعة. عندما تتكون شمعة جديدة، يضعها النموذج في الفضاء نفسه ويقيس مسافة Lorentzian بينها وبين كل نقطة مخزنة. يحتفظ بأقرب k نقاط، أي الجيران الأقرب، ثم ينظر إلى طريقة انتهاء السعر بعد كل واحدة منها. إذا تبع معظم تلك الحالات الماضية المشابهة صعود، تُصنف الشمعة الحالية كصاعدة؛ وإذا قاد معظمها إلى هبوط، تُصنف كهابطة.
العدد k مهم. تجعل قيمة k الصغيرة النموذج حساسًا وسريع الاستجابة لكنه كثير الضجيج؛ أما قيمة k الكبيرة فتنعّم التصويت لكنها قد تطمس الإشارات الحقيقية. لهذا بالضبط تعدل التطبيقات المتكيفة، مثل AI-clustered Supertrend، قيمة k وفق الظروف بدل تثبيتها؛ إذ يعرض Quantum ML Engine في الرسم أعلاه "Adaptive K" بقيمة 6/8، أي أنه يستخدم حاليًا 6 من أصل 8 جيران ممكنين بناءً على حالة السوق. التصنيف الذي تراه هو التصويت المجمع لتلك النظائر التاريخية.
تصنيف الشمعة الحالية من خلال جيرانها
ابحث عن أكثر k شموع تاريخية شبهًا، ثم صوّت على الاتجاه من طريقة انتهائها.
لماذا نقيس التشابه بمسافة Lorentzian لا Euclidean؟
مقياس المسافة هو قلب ما يجعل هذا المؤشر مختلفًا، لذلك يستحق أن تفهمه حدسيًا. تخيل لقطتين للسوق متشابهتين في معظم الجوانب لكنهما تختلفان بقوة في قراءة متقلبة واحدة، مثل قفزة في الزخم. تربيع مسافة Euclidean للفروق يجعل تلك الفجوة الكبيرة الواحدة تهيمن على الحساب وتدفع اللقطتين بعيدًا جدًا، رغم أنهما متشابهتان في كل شيء آخر. عندها سيتجاهل النموذج شمعة تاريخية قابلة للمقارنة بصدق.
مسافة Euclidean مقابل Lorentzian
يسمح تربيع Euclidean لفجوة كبيرة واحدة بالهيمنة؛ أما Lorentzian فينمو لوغاريتميًا فقط، فيبقى متينًا.
تنمو مسافة Lorentzian لوغاريتميًا فقط مع الفروق الكبيرة، لذلك لا تؤدي قراءة متطرفة واحدة إلى تضخيم مقياس التشابه. تبقى الشموع المتشابهة لكن المتقلبة قريبة من بعضها في فضاء الميزات، بما يكمل أدوات مثل Gaussian Channel، ما يعني أن بحث الجيران الأقرب يجد حالات أكثر تماثلًا حقًا عندما تكون الأسواق مضطربة، أي في الوقت الذي تكون فيه النظائر الموثوقة أكثر قيمة. هذه المتانة أمام التقلب والقيم الشاذة هي سبب اختيار مقياس Lorentzian أصلًا، وهي السبب في أن المؤشر غالبًا يتصرف بعقلانية أكبر عبر حركة سعر فوضوية مما كان سيفعل مصنف قائم على هندسة بسيطة.
لمحة سريعة: مسافة Euclidean مقابل Lorentzian
| الخاصية | مسافة Euclidean | مسافة Lorentzian |
|---|---|---|
| الحد لكل ميزة | فرق مربع | لوغاريتم 1 زائد الفرق المطلق |
| النمو مع الفجوات الكبيرة | تربيعي | لوغاريتمي |
| قراءة متطرفة واحدة | تهيمن على المسافة الإجمالية | مضغوطة، ولا يمكنها الهيمنة |
| شموع متشابهة في أسواق متقلبة | تُدفع بعيدًا عن بعضها | تبقى قريبة من بعضها |
| بحث الجيران في الأسواق المضطربة | يجد عددًا أقل من النظائر الحقيقية | يجد شموعًا أكثر تماثلًا |
◆يعمل المقياسان على الميزات المطبعة نفسها؛ ما يتغير فقط هو وزن الفروق.
ماذا يرى النموذج فعليًا في كل شمعة؟
مصنف k-NN لا يكون أفضل من الميزات التي تصف كل شمعة. عادةً يصف Lorentzian Classification ظروف السوق بمجموعة صغيرة من القراءات الفنية المطبعة، وغالبًا تكون مذبذبات زخم واتجاه مثل RSI، أو مقياس Wave Trend أو شبيه بـ CCI، و ADX لقياس قوة الاتجاه. تصبح كل شمعة قائمة قصيرة بهذه القيم، وتكون تلك القائمة إحداثياتها في فضاء الميزات حيث يُقاس التشابه.
اختيار الميزات وعددها يشكل كل ما يأتي بعد ذلك. إذا كانت قليلة جدًا فلن يستطيع النموذج التمييز بين حالات مختلفة جوهريًا؛ وإذا كانت كثيرة جدًا فإن "لعنة الأبعاد" تجعل كل شمعة تبدو تقريبًا على المسافة نفسها، ما يضعف بحث الجيران. تحافظ التطبيقات الجيدة على مجموعة ميزات مدمجة ومطبعة ومتكاملة، بحيث تلتقط كل ميزة جانبًا مختلفًا من السوق، فيصبح معنى "الأقرب" في فضاء الميزات هو "الأكثر شبهًا" فعليًا من منظور السوق.
ميزات الزخم
قراءات مثل RSI أو مذبذب Wave Trend تلتقط ما إذا كان السوق متمددًا أو يبني طاقة، على نحو يشبه قراءة squeeze momentum، وهذا جزء أساسي مما يجعل حالتين قابلتين للمقارنة.
ميزات الاتجاه
يخبر مقياس قوة الاتجاه مثل ADX النموذج بما إذا كانت اللقطة جاءت من بيئة اتجاهية أم عرضية، وهذا يؤثر بقوة فيما يحدث بعد ذلك.
التطبيع
تُقاس الميزات إلى نطاقات قابلة للمقارنة حتى لا تهيمن ميزة واحدة لمجرد اختلاف وحداتها، وهذا شرط مسبق لأي نموذج قائم على المسافة.
مجموعة مدمجة
حفنة من الميزات المتكاملة تتفوق على كومة كبيرة من الميزات المترابطة، لأنها تبقي بحث الجيران ذا معنى بدل أن يصبح مخففًا.
قراءة لوحة Quantum ML Engine
الرسم أعلاه هو تنفيذ Adaptive Lorentzian الخاص بـ Quantum Algo، ولوحته تجعل الحالة الداخلية للنموذج مرئية، وهذه طريقة جيدة لتعلم ما يفعله المؤشر. كل صف هو مخرج حي من المصنف ومنطق الدعم الخاص به، لذلك لا ترى إشارة فقط، بل ترى السياق الذي يقف خلفها.
ماذا يخبرك كل صف في اللوحة؟
الإشارة هي التصويت؛ أما الصفوف الأخرى فتخبرك بمدى الثقة بها وبالنظام الذي أنتجها.
أهم عادة هي قراءة الإشارة ضمن السياق. إشارة بيع بثقة منخفضة في نظام اتجاهي مع تقلب منكمش تختلف تمامًا عن إشارة عالية الثقة بينما يتوسع التقلب. واللافت أن Quantum ML Engine يصف رقم نسبة الصفقات الرابحة لديه بأنه "معايرة، وليس اختبارًا رجعيًا"، وهو تذكير صادق بأن نسبة إصابة حديثة ضمن نافذة صغيرة هي فحص لصحة معايرة النموذج الحالية، وليست وعدًا بالأداء المستقبلي. التعامل مع كل قراءة كسياق احتمالي لا كضمان هو العقلية الصحيحة لأي مؤشر تعلم آلي.
فيمَ يبرع Lorentzian Classification، وأين يفشل؟
عند استخدامه جيدًا، يمتلك Lorentzian Classification نقاط قوة حقيقية. فهو يتكيف مع البيانات الفعلية بدل افتراض نموذج ثابت للسوق، ويجعله مقياس Lorentzian متينًا في ظروف التقلب تحديدًا حيث تنكسر الأدوات الأبسط، بخلاف أداة المتوسط المتحرك، كما أن التطبيق الجيد يمنح قراءة احتمالية دقيقة مكتملة بالثقة وسياق النظام. إنه عدسة مختلفة فعلًا للسوق مقارنة بمجموعة أدوات المتوسطات المتحركة المعتادة.
لكنه ليس سحرًا، والصدق بشأن حدوده هو ما يفصل المستخدمين الجيدين عن المخيبين. إنه لا يزال مطابقة أنماط على بيانات ماضية: إذا توقف المستقبل عن شبه الماضي، أي حدث تغير نظام حقيقي بلا نظير تاريخي، تصبح جيرانه مضللة. هو لا يعرف لماذا يحدث أي شيء، بل يعرف فقط ما كان يميل إلى الحدوث بعد قراءات مشابهة. يمكن أن يتعرض للملاءمة الزائدة عبر الإفراط في الضبط، ولهذا يهم الاختبار الرجعي الصادق، ومثل أي مؤشر يمكن أن ينتج سلاسل خسائر. إنه إشارة احتمالية عالية الجودة تُدمج مع الهيكل والسياق وإدارة المخاطر الصارمة، وليس عرافًا مستقلًا.
هل ينبغي أن تتداول إشارات Lorentzian وحدها؟
الطريقة المنتجة لاستخدام Lorentzian Classification هي معاملته كمرشح اتجاهي عالي الجودة ومحرك سياق، لا كمشغل شراء/بيع أعمى. دع المصنف يخبرك أي جانب يمتلك الأفضلية التاريخية الآن ومدى ثقته، ثم اشترط تأكيدك الخاص قبل التصرف، مثل تحوّل هيكل السوق (MSS) في الاتجاه نفسه، أو مستوى مهم، أو إشارة دخول منفصلة. يحدد التصنيف الانحياز؛ أما الهيكل وخطة المخاطر لديك فيحددان الصفقة.
تحويل المصنف إلى إشارة مفلترة
مرر التصنيف الخام عبر الثقة والنظام، ثم اشترط تأكيدك الخاص.
كما أنه ينسجم طبيعيًا مع الانضباط نفسه الذي يتطلبه أي مؤشر: أعطِ الإشارات الأعلى ثقة وزنًا أكبر، واحترم سياق النظام والتقلب الذي توفره اللوحة، وحجّم كل صفقة وفق إدارة مخاطر صارمة حتى لا يضرك أي تصنيف خاطئ واحد. لأن Quantum ML Engine يعرض الثقة والنظام والتقلب صراحة، يمكنك بناء قواعد بسيطة، مثل أخذ الإشارات فقط فوق عتبة ثقة معينة في نظام اتجاهي، لتحويل المصنف الخام إلى نظام منضبط ومفلتر.
• محرك Adaptive Lorentzian — Adaptive K، واكتشاف النظام والتقلب مع تسجيل الثقة
• معايرة صادقة — قراءة معايرة شفافة، ولا تُعرض صراحة كاختبار رجعي
• أداء قابل للمساءلة — سجل عام موثق خلف كل إشارة
◆ جرّب محرك Adaptive Lorentzian
يجلب Adaptive Lorentzian Classification من Quantum Algo، أي Quantum ML Engine الظاهر أعلاه، Adaptive K، واكتشاف النظام والتقلب، وتسجيل الثقة، والمعايرة الصادقة إلى رسومك البيانية، مع طبقة سياق مفاهيم الأموال الذكية (SMC) نفسها الموجودة في بقية الحزمة، وكل ذلك مدعوم بسجل عام موثق.
اعرض السكربت على TradingView → تحقق من السجل العامالأسئلة الشائعة
Lorentzian Classification هو مؤشر تعلم آلي يتعامل مع التداول كمشكلة تعرف على الأنماط. يستخدم نموذج k-nearest-neighbours للعثور على الشموع التاريخية الأكثر شبهًا بالظروف الحالية، ويصنف الحركة التالية المرجحة بناءً على طريقة انتهاء تلك الحالات الماضية المشابهة. ميزته المحددة هي استخدام مسافة Lorentzian، بدلًا من مسافة Euclidean العادية، لقياس التشابه، ما يجعله أكثر متانة في الأسواق المتقلبة.
تُخزن كل شمعة تاريخية كنقطة في فضاء ميزات تمثل محاوره قراءات مؤشرات مثل RSI، ومذبذب Wave Trend، و ADX. عندما تتكون شمعة جديدة، يقيس النموذج مسافة Lorentzian منها إلى كل شمعة مخزنة، ويحتفظ بأقرب k "جيران أقرب"، ثم ينظر إلى طريقة انتهاء السعر بعد كل واحدة. إذا تبع معظم الشموع الماضية المشابهة صعود، تُصنف الشمعة الحالية كصاعدة؛ وإذا قاد معظمها إلى هبوط، تُصنف كهابطة. الإشارة هي التصويت المجمع لتلك النظائر التاريخية.
مسافة Lorentzian هي طريقة لقياس مدى اختلاف لقطتين للسوق، مستعارة من رياضيات الزمكان. على عكس مسافة Euclidean، التي تربّع الفروق بحيث تهيمن فجوة كبيرة واحدة، تنمو مسافة Lorentzian لوغاريتميًا فقط مع الفروق الكبيرة. يعني ذلك أن قراءة واحدة متطرفة ومتقلبة لا تضخم مقياس التشابه، فتظل الشموع المتشابهة لكن المتقلبة قريبة من بعضها، ويجد النموذج حالات تاريخية قابلة للمقارنة بصدق حتى في الأسواق المضطربة، وهذا بالضبط وقت أهمية النظائر الموثوقة أكثر.
نعم، بصورة مشروعة؛ k-nearest-neighbours واحدة من أقدم خوارزميات التعلم الآلي وأكثرها رسوخًا. إنها "تعلم آلي" بمعنى أنها تصنف البيانات الجديدة بالتعلم من أمثلة تاريخية موسومة بدل اتباع قواعد مكتوبة يدويًا. لكنها ليست شبكة عصبية أو نموذجًا كبيرًا "يفهم" الأسواق؛ إنها مصنف قائم على التشابه. هذا الفرق مهم: فهي قوية ومتكيفة، لكنها تطابق أنماطًا في التاريخ، ولا تفكر في السبب.
K هي عدد الجيران الأقرب التي يستخدمها النموذج للتصويت على التصنيف. تجعل K الصغيرة المؤشر سريع الاستجابة لكنه كثير الضجيج؛ أما K الكبيرة فتنعّم التصويت لكنها قد تطمس الإشارات الحقيقية. تعني 'Adaptive K' أن التطبيق يعدل هذا العدد بناءً على ظروف السوق بدل تثبيته، فمثلًا يعرض Quantum ML Engine قيمة Adaptive K عند 6/8، أي أنه يستخدم حاليًا 6 من أصل 8 جيران ممكنين وفق النظام والتقلب المكتشفين.
عادةً يصف كل شمعة بمجموعة صغيرة من القراءات الفنية المطبعة، وغالبًا مذبذب زخم مثل RSI، أو مقياس Wave Trend أو شبيه بـ CCI، ومقياس قوة اتجاه مثل ADX. تصبح هذه إحداثيات الشمعة في فضاء الميزات حيث يُقاس التشابه. تحافظ التطبيقات الجيدة على مجموعة ميزات مدمجة ومطبعة ومتكاملة، لأن الميزات القليلة جدًا لا تميز الحالات، والكثيرة جدًا تشغل "لعنة الأبعاد" التي تجعل كل شمعة تبدو متساوية المسافة.
النسخة المبنية جيدًا التي تصنف على الشموع المغلقة لا تعيد الرسم؛ فبمجرد إغلاق الشمعة تصبح ميزاتها وتصنيفها ثابتين. لكن التطبيقات تختلف، وبعضها يعرض تحديثات فورية على الشمعة قيد التكون تستقر عند إغلاقها. إذا كنت تعتمد على الإشارات، فتحقق من السكربت المحدد بمراقبته وهو يتشكل مباشرة والتأكد من أن التصنيفات التاريخية لا تتحرك عند إعادة التحميل. كما في أي مؤشر، لا تثق إلا بما يصمد في اختبار الشموع المغلقة والوقت الحقيقي.
نسبة ربح المعايرة هي نسبة إصابة حديثة يبلغ عنها النموذج ضمن نافذة قصيرة كفحص لصحة معايرته الحالية. والأهم أن Quantum ML Engine يوسمها صراحة كمعايرة "وليست اختبارًا رجعيًا"، وهو تذكير صادق بأن نسبة إصابة على عينة حديثة صغيرة هي مقياس لمدى ضبط النموذج حاليًا، وليست إسقاطًا للأداء المستقبلي. ينبغي قراءتها كسياق احتمالي إلى جانب الإشارة والثقة والنظام والتقلب، لا كضمان أبدًا.
إنه مطابقة أنماط على بيانات ماضية، لذلك إذا توقف المستقبل عن شبه الماضي، أي حدث تغير نظام حقيقي بلا نظير تاريخي، تصبح أقرب جيرانه مضللة وتضعف ميزته. هو لا يعرف لماذا يحدث أي شيء، بل ما كان يميل إلى اتباع قراءات مشابهة فقط. يمكن أن يتعرض للملاءمة الزائدة عبر الإفراط في الضبط، ومثل أي مؤشر ينتج سلاسل خسائر. أفضل طريقة للتعامل معه هي كإشارة احتمالية عالية الجودة تُدمج مع هيكل السوق، والسياق، وإدارة المخاطر الصارمة، لا كعراف مستقل.
استخدمه كمرشح اتجاهي ومحرك سياق بدلًا من مشغل أعمى. دع المصنف يخبرك أي جانب يمتلك الأفضلية التاريخية ومدى ثقته، ثم اشترط تأكيدك الخاص، مثل تحوّل هيكل السوق في الاتجاه نفسه، أو مستوى مهم، أو إشارة دخول منفصلة، قبل أن تتصرف. لأن تطبيقات مثل Quantum ML Engine تعرض الثقة والنظام والتقلب صراحة، يمكنك بناء قواعد بسيطة مثل أخذ الإشارات فقط فوق عتبة ثقة معينة في نظام اتجاهي، محولًا المصنف الخام إلى نظام منضبط.
هو مختلف لا أفضل بشكل مطلق. المتوسطات المتحركة بسيطة وشفافة ومتأخرة بطبيعتها؛ أما Lorentzian Classification فمتكيف ومتين أمام التقلب ويمنح سياقًا احتماليًا مع الثقة والنظام، لكنه أكثر تعقيدًا ويعتمد على شبه التاريخ بالحاضر. يجد كثير من المتداولين أنهما متكاملان: أداة متوسط متحرك أو قناة لسياق اتجاه نظيف، ومصنف Lorentzian لقراءة اتجاهية أدق. لا يحل أي منهما محل الهيكل وإدارة المخاطر.
تنشر Quantum Algo مؤشر Adaptive Lorentzian Classification، وهو Quantum ML Engine المعروض في هذا الدليل، على TradingView. يضيف Adaptive K، واكتشاف النظام والتقلب، وتسجيل الثقة، والمعايرة الصادقة فوق طريقة Lorentzian k-NN الأساسية، ويضيف طبقة سياق مفاهيم الأموال الذكية (SMC) نفسها الموجودة في بقية الحزمة. يمكنك عرض السكربت مباشرة على TradingView، كما أن إشاراته مدعومة بسجل Quantum Algo العام الموثق.
المراجع والأدلة ذات الصلة
المزيد في هذا الموضوع
- مؤشرات تداول التعلم الآلي (Lorentzian): الدليل الشامل
- SuperTrend AI (Clustering): الدليل الشامل
- دفتر تداول AI: كيف تستخدمه للتحسن فعلًا
- دليل مؤشر Gaussian Channel
- أفضل مؤشرات TradingView
- مؤشرات لا تعيد الرسم: الدليل الشامل للإشارات الموثوقة
- دليل مؤشر RSI
- مؤشر Squeeze Momentum (TTM Squeeze): الدليل الشامل
- أفضل مؤشر شراء/بيع: كيف تختار مؤشرًا يعمل فعلًا
- الاختبار الرجعي لاستراتيجية التداول — دليل التحقق الشامل
- مفاهيم الأموال الذكية (SMC): دليل التداول النهائي
- استراتيجية تداول الاتجاه: الدليل الشامل
- أفضل روبوتات التداول — مرتبة: أتمت تداولك
- دليل مؤشر Supertrend
قراءة أساسية
- مؤشرات تداول التعلم الآلي (Lorentzian): الدليل الشامل
- أفضل مؤشرات TradingView
- إدارة المخاطر في التداول — دليل النجاة الشامل
- كل الأدلة المميزة
- السجل العام
- Quantum Algo على TradingView