Adaptive Lorentzian Classification [Quantum Algo]
Ein Machine-Learning-Klassifikator, der den Sechs-Feature-Fingerabdruck dieser Kerze mit Tausenden vergangener Kerzen vergleicht, die ähnlichsten mit einem Konfidenzwert abstimmen lässt und die Ähnlichkeit mit der Lorentz-Distanz misst, damit nachrichtengetriebene Ausreißer die Nachbarschaft nicht kapern können — unabhängig neu hergeleitet, zeitlich ausgerichtet, ohne Library-Importe.
Die kurze Antwort
Die Adaptive Lorentzian Classification — im Chart die Quantum ML Engine — ist ein kostenloser Open-Source-Machine-Learning-Klassifikator für TradingView, der die Kursrichtung über einen einstellbaren Horizont prognostiziert, und zwar mit einer Approximate-Nearest-Neighbours-Suche über historische Feature-Vektoren. Statt eines einzelnen Oszillators vergleicht er den Fingerabdruck der aktuellen Kerze — bis zu sechs normalisierte Features — mit Tausenden vergangener Kerzen, findet die ähnlichsten Marktbedingungen und lässt deren Ergebnisse darüber abstimmen, was als Nächstes wahrscheinlich ist. Standardmäßig misst er die Ähnlichkeit mit der Lorentz-Distanz, log(1 + |Δ|), die die Ausreißer rund um CPI-Daten, FOMC und Black Swans staucht, sodass eine einzelne extreme Kerze die Nachbarauswahl nicht dominieren kann. Eine vollständig eigenständige Implementierung ohne einen einzigen Library-Import.
Klassifizierte Kerzenfarben, Prognose-Labels mit Konfidenz, die Kernel-Schätzung, ein optionaler ATR-Trail und ein Dashboard mit adaptivem K und Marktregimen.
Zeitlich ausgerichtetes Training mit Labels für eine neutrale Zone, gewichtete Features, vier Metriken, Konfidenz-Gate und adaptives K.
Auswertung zum Kerzenschluss; Trainingsbeispiele kommen erst hinzu, wenn ihr Ergebnis eingetreten ist — kein Lookahead.
Lorentz-Distanz und warum
Die euklidische Distanz quadriert die Unterschiede zwischen den Features, sodass ein einziger extremer Wert die Nachbarschaft dominiert. Die Lorentz-Distanz wächst mit dem Logarithmus des Unterschieds — große Abstände werden gestaucht, ähnlich wie Masse die Raumzeit krümmt —, sodass die gewählten Nachbarn den ganzen Fingerabdruck widerspiegeln statt der wildesten Komponente. Die Idee, sie für die kNN-Klassifikation in Charts zu nutzen, stammt von jdehorty, aufbauend auf den kNN-Studien von capissimo; dieses Skript leitet den Ansatz unabhängig neu her und erweitert ihn.
Was es zeichnet
Kerzenfarben
Nach der aktuellen Klassifikation.
Prognose-Labels
Mit dem Abstimmungswert und der Konfidenz von 0–100%.
Der optionale ATR-Trailing-Stop
Level, wenn dieser Exit-Modus aktiv ist.
Die Kernel-Regressionsschätzung
Wenn der Nadaraya-Watson-Filter aktiviert ist.
Das Dashboard
Live-Signal, Konfidenz, aktuelles adaptives K, Volatilitäts- und Trendregime, Kernel-Bias und eine Kalibrierungs-Trefferquote, die nur als Feedback fürs Feintuning dient.
Der BCH/USDT-2-Stunden-Screenshot auf dieser Seite zeigt die Klassifikation mit Konfidenz-Labels und das Dashboard; der Einstellungs-Screenshot zeigt den Inputs-Tab.
Was an dieser Implementierung anders ist
Zeitlich ausgerichteter Trainingsdatensatz.
Jedes Beispiel verknüpft den Feature-Vektor einer Kerze mit dem tatsächlichen Ergebnis über die folgenden H Kerzen; ein Beispiel kommt erst hinzu, wenn sein Ergebnis eingetreten ist — kein Lookahead.
Labels mit ATR-basierter neutraler Zone.
Bewegungen kleiner als ein Vielfaches der ATR werden als NEUTRAL gelabelt, damit Seitwärtsrauschen nie eine falsche Richtungslektion lehrt.
Sechs konstruierte Features mit Gewichtung nach Wichtigkeit
RSI, WaveTrend, CCI, ADX, MFI und Fisher Transform, jeweils auf 0–1 normalisiert und jeweils mit eigener Gewichtung.
Vier Distanzmetriken
Lorentz, Manhattan, euklidisch und ein 50/50-Hybrid.
Distanzgewichtete Abstimmung mit Konfidenzwert
Nähere Nachbarn haben mehr Stimmgewicht (1 / (1 + Distanz)); ein Mindestkonfidenz-Gate unterdrückt Signale mit geringer Überzeugung.
Adaptives K
Die Zahl der Nachbarn schrumpft um bis zu 40%, wenn die Volatilität hoch rangiert, und wächst in ruhigen Marktregimen.
Gleitendes Trainingsfenster
Immer die letzten N Kerzen.
Einstellbarer Horizont
(1–20 Kerzen), drei Exit-Modi (fester Horizont, Kernel-Steigung, ATR-Trailing) und ein EMA-Konfluenzfilter auf höherem Timeframe.
Funktionsweise
Auf jeder Kerze werden sechs Features berechnet und normalisiert.
Der Vektor wird mit den Beispielen im gleitenden Fenster verglichen, mit einem chronologischen Mindestabstand (standardmäßig 4 Kerzen), damit die Nachbarn aus unterschiedlichen Episoden stammen.
Eine monotone Distanzschwelle hält einen stabilen Pool angenäherter nächster Nachbarn; überschreitet der Pool K, wird die Schwelle auf die Distanz des 75. Perzentils zurückgesetzt, damit nähere Beispiele nachrücken.
Die Nachbarn stimmen für Long / Short / neutral ab, gewichtet nach Nähe; die gewichtete Summe ist die Prognose, die Übereinstimmung die Konfidenz.
Das Rohsignal durchläuft optionale Filter — Volatilitätsregime, Trendregime, ADX, EMA/SMA, Trend auf höherem Timeframe und einen rational-quadratischen Nadaraya-Watson-Kernel mit einem Gaußschen Crossover-Modus.
Einstiege erscheinen nur, wenn das ML-Signal, das Konfidenz-Gate und jeder aktivierte Filter übereinstimmen — zum Kerzenschluss.
Einstellungen
| Gruppe | Input | Was sie macht | Womit du startest |
|---|---|---|---|
| General | Quelle, Trainingsfenster, Prognosehorizont, Breite der neutralen Zone | Die Problemdefinition | close; 2000; 4 Kerzen; 0.5 ATR |
| ML Engine | K, adaptives K, chronologischer Abstand, Distanzmetrik, Distanzgewichtung, Mindestkonfidenz | Der Klassifikator | 8; an; 4; Lorentzian; an; 60% |
| Feature Engineering | Typ, Parameter und Gewichtung für sechs Slots | Der Fingerabdruck | RSI 14, WT 10/11, CCI 20, ADX 20, MFI 14, Fisher 9; Gewichte 1.0 |
| Filters | Volatilität, Regime, ADX, EMA/SMA, höherer Timeframe | Gates | Volatilität an; HTF an für Swing |
| Kernel | Lookback, relative Gewichtung, Regressionslevel, Lag, Glättung | Nadaraya-Watson | 8 / 8 / 25 / 2 |
| Exits | Fest vs. dynamisch, ATR-Trailing-Stop und Multiplikator | Wie Positionen geschlossen werden | fester Horizont; Trail aus |
| Darstellung | Kerzenfarben, Prognose-Labels, Dashboard, Farbkompression | Appearance | — |
Alerts
Einstiegsbedingungen für Long und Short, ausgewertet zum Kerzenschluss, gefiltert durch die Konfidenz und jeden aktivierten Filter; du legst sie über die Alert-Liste des Indikators an.
Wie du es nutzt
Starte mit den Standardwerten auf einem 1H–4H-Chart und lass das Trainingsfenster sich füllen.
Erhöhe die Mindestkonfidenz für weniger, selektivere Signale; erhöhe auf niedrigeren Timeframes den chronologischen Abstand, um die Nachbarn zu streuen.
Stimme Features und Metrik pro Markt neu ab — Krypto, FX, Indizes und Aktien verhalten sich unterschiedlich.
Lies die Kalibrierungs-Trefferquote nur als Feedback fürs Feintuning. Sie ist kein Backtest, enthält keine Kosten und ist keine Performance-Aussage.
Nutze ihn als Konfluenz-Ebene innerhalb eines vollständigen Plans mit deinem eigenen Risikomanagement, nie als eigenständiges System.
Drei Wege, ihn zu traden
Die Übereinstimmung mit hoher Konfidenz.
Eine Long-Klassifikation mit 75%+ Konfidenz bei bestandenem HTF-Filter, bei der Rückkehr in einen Nachfrageblock — das ML-Votum bestätigt den Struktur-Einstieg; Stop unter dem Block.
Bei Widerspruch: abwarten.
Die Struktur sagt Long, der Klassifikator sagt mit hoher Konfidenz Short — reduziere die Größe oder warte; lange widersprechen sich die beiden selten.
Der Exit über die Kernel-Steigung.
In einem Trendtrade macht der dynamische Exit über die Kernel-Steigung aus dem Klassifikator eine nachziehende Entscheidung statt eines festen Horizonts.
Empfohlene Einstellungen je Markt
Krypto, 1H–4H:
Lorentzian, K 8, Konfidenz 60%, Abstand 4, Volatilitätsfilter an.
Forex, 15m–1H:
Manhattan- oder Hybrid-Metrik findet bei glatteren Daten oft bessere Nachbarn; Abstand 6; MFI-Gewichtung 0.5 (Tick-Volumen).
Indizes und Aktien, 1H–Daily:
Lorentzian, K 10, HTF-Filter an, Horizont 5.
Im Vergleich
Gegenüber der ursprünglichen Lorentzian Classification: gleiches Konzept, unabhängig neu hergeleitet, mit zeitlich ausgerichtetem Training, Labels für eine neutrale Zone, gewichteten Features, vier Metriken, Konfidenz-Gate, adaptivem K, gleitendem Fenster, drei Exit-Modi und einem HTF-Filter. Gegenüber der Neural Confluence Engine: Diese ist eine Kombination aus acht Faktoren mit festen Gewichten; dieser Klassifikator lernt über Ähnlichkeit aus der eigenen Historie des Charts. Gegenüber Zeno: Zenos Signale kommen aus institutioneller Struktur; der Klassifikator ist ein kostenloses Konfluenz-Votum auf derselben Kerze.
Grenzen
Der Klassifikator lernt nur aus dem jüngsten Fenster; Regimewechsel verschlechtern die Qualität der Nachbarn, bis sich das Fenster neu gefüllt hat. Wie bei jeder Logik auf Kerzenschluss kann sich die laufende Kerze bis zu ihrem Schluss noch ändern. Die Kalibrierungsstatistik ist Feedback, keine Performance. Sechs auf 0–1 normalisierte Features sehen keine Nachrichten.
Credits
Inspiration für das Konzept: jdehorty (Machine Learning: Lorentzian Classification) und capissimo (kNN-Implementierungen) — volle Anerkennung an beide für die grundlegende Forschung. Dieses Skript ist eine unabhängige, eigene Implementierung von Quantum Algo mit den oben genannten Erweiterungen, als Open Source veröffentlicht; es wurde kein Code übernommen.
Schritt für Schritt: So fügst du ihn deinem TradingView-Chart hinzu
Öffne die Skriptseite auf TradingView (Link oben) und klicke auf Add to favorites, dann auf Use on chart — oder öffne in einem beliebigen Chart Indicators, suche nach „Adaptive Lorentzian Classification Quantum Algo“ und füge ihn hinzu. Kostenlos in jedem TradingView-Plan.
Öffne die Einstellungen des Indikators und stelle die Inputs für deinen Markt und Timeframe nach der Tabelle oben ein; die Standardwerte sind auf Krypto in 1-Stunden- bis 4-Stunden-Charts abgestimmt.
Passe im Tab Style die Farben an dein Chart-Theme an; Position und Textgröße des Dashboards findest du unter Inputs.
Für Alerts klickst du mit der rechten Maustaste in den Chart → Add alert, wählst den Indikator als Bedingung und dann das Ereignis; stelle „Once per bar close“ ein, damit die Alerts zur Logik der geschlossenen Kerze passen.
Speichere das Layout und füge die anderen kostenlosen Quantum-Algo-Tools hinzu — sie sind dafür gebaut, zusammenzuspielen.
Um den Code zu lesen oder wiederzuverwenden, klicke auf der Skriptseite auf Source code; eine Neuveröffentlichung unterliegt den House Rules von TradingView.
Im Code, für Entwickler
Pine Script, Open Source. Lesenswert, wenn du ihn verändern willst: Jede Erkennung und jedes Signal hängt an barstate.isconfirmed; der Zustand liegt in begrenzten Arrays von Zeichenobjekten mit expliziten Funktionen zum Erstellen, Aktualisieren und Entfernen; wo Statistiken geführt werden, gibt es First-in-first-out-Arrays mit Shrinkage und einer inline berechneten Wilson-Schranke; benannte alertcondition-Aufrufe sorgen dafür, dass Webhooks einen konsistenten Payload erhalten. Die Pine-Script-Tutorials der Academy und der TradingView-Backtesting-Guide behandeln die Umwandlung in eine Strategie.
So kombinierst du ihn mit den anderen kostenlosen Indikatoren
Die kostenlosen Tools lassen sich in einem Chart stapeln: die Smart Money Concepts Engine für den Bias und den Confluence Score; Order Blocks with Volume, Fair Value Gaps + Inversion und Institutional Key Levels für die Zone; Liquidity Sweeps, Sessionscope und Liquidation Magnet für die Liquidität und den Trigger; OTE + Silver Bullet für den zeitlich qualifizierten Einstieg; das Institutional Volume Profile und der Pressure Oscillator dafür, ob das Volumen zustimmt.
Die Trend- und Volatilitätsfamilie — Adaptive Trend Sentinel, SuperTrend Engine, Golden Cross Engine, Anchored VWAP Engine, Trendline Architect, Keltner Rings und Volatility Storm Tracker — für Regime, Richtung und Spielraum; und die Momentum- und Statistikfamilie — MACD Matrix, der Multi-Oscillator Divergence Scanner, die Event Probability Engine, der Market Bottom Finder, die Neural Confluence Engine, die Adaptive Lorentzian Classification und der Directional Strength Index — für Momentum, Wahrscheinlichkeit und Stärke. Der Hub der kostenlosen Indikatoren listet jedes Tool auf; der SMC-Guide ist die Methode hinter der Kombination.
Häufige Fehler mit diesem Indikator
- Der laufenden Kerze vertrauen — jedes Ereignis wartet auf den Schluss.
- Jede Markierung traden — das Tool liefert Momentum und Kontext; der Einstieg braucht ein Strukturlevel und einen Stop dahinter.
- Standardlängen auf dem falschen Timeframe — passe die Inputs an, wie die Einstellungstabelle zeigt.
- Die Statistiken als Versprechen lesen — sie beschreiben die Historie dieses Charts, absichtlich in Richtung neutral geschrumpft.
- Zehn beliebige Skripte stapeln — die kostenlosen Tools lassen sich kombinieren, weil sie dafür gebaut wurden.
Du willst das Signal, nicht nur die Struktur?
Zeno liest die Smart-Money-Struktur über mehrere Timeframes und zeichnet Einstieg, Stop, TP1 und TP2 in deinen Chart — mit einem Track Record von 160 geschlossenen Signalen, 120 Gewinnern und 40 Verlierern auf den angegebenen Levels. QuantumBot führt sie auf Bybit, Binance, OKX, Bitget und Kraken aus.
Glossar zu diesem Indikator
Häufig gestellte Fragen
Repaintet die Adaptive Lorentzian Classification?
Signale werden zum Kerzenschluss ausgewertet; die laufende Kerze kann sich bis zu ihrem Schluss noch ändern, wie bei jeder Logik auf Kerzenschluss. Trainingsbeispiele kommen erst hinzu, wenn ihr Ergebnis eingetreten ist, es gibt also keinen Lookahead.
Was ist die Lorentz-Distanz?
log(1 + |Δ|) pro Feature — eine Distanz, die große Unterschiede staucht, damit Ausreißer-Kerzen rund um Nachrichtenereignisse die Nachbarauswahl nicht dominieren können.
Was bedeutet der Konfidenzwert in Prozent?
Die Übereinstimmung der gewichteten Stimmen der nächsten Nachbarn; das Mindestkonfidenz-Gate unterdrückt Signale unter deiner Schwelle.
Ist die Kalibrierungs-Trefferquote ein Backtest?
Nein. Sie prüft nach jedem Signal, ob sich der Kurs über den Horizont in die prognostizierte Richtung bewegt hat, ohne Kosten oder Risikomanagement — Feedback zum Abstimmen der Features, niemals eine Performance-Aussage.
Welche Distanzmetrik sollte ich nutzen?
Standardmäßig Lorentzian; Manhattan oder den Hybrid bei glatteren Datenreihen; euklidisch, wenn Ausreißer zählen sollen. Der Wechsel der Metrik ist pro Anlageklasse der stärkste Hebel beim Feintuning.
Wie hängt er mit Zeno zusammen?
Zeno zeichnet Struktursignale mit Stop und Zielen; der Klassifikator ist ein kostenloses Konfluenz-Votum auf derselben Kerze — Übereinstimmung stärkt die Überzeugung, Widerspruch ist ein Grund zu warten.
Was ist der Lorentzian-Classification-Indikator?
Ein Nearest-Neighbour-Klassifikator, der die Ähnlichkeit zwischen Kerzen mit der Lorentz-Distanz misst; dies ist die unabhängige Implementierung von Quantum Algo mit zeitlich ausgerichtetem Training, neutralen Labels, gewichteten Features und einem Konfidenz-Gate.
Nutzt er Lookahead?
Nein. Ein Trainingsbeispiel kommt erst hinzu, wenn sein Ergebnis über den Horizont eingetreten ist, und Werte höherer Timeframes werden ohne Lookahead abgefragt.
Welche Features sollte ich gewichten?
Starte bei allen sechs mit 1.0; senke MFI bei Symbolen mit Tick-Volumen; erhöhe ADX in trendfolgenden Märkten. Die Gewichte sind die Stellschrauben, keine Black Box.
Wie viele Kerzen braucht er?
Das Trainingsfenster (standardmäßig 2000) sollte gefüllt sein; warte bei einem neuen Chart, bis es geladen ist, bevor du die Konfidenz liest.
Ist das ein KI-Kauf-/Verkaufsindikator?
Es ist ein transparenter kNN-Klassifikator, bei dem jeder Input sichtbar ist — kein verstecktes Modell —, und er ist als Konfluenz-Ebene gedacht, nicht als eigenständiges System.
Warum zeigt das Dashboard eine Trefferquote?
Eine Kalibrierungsstatistik fürs Feintuning: Hat sich der Kurs über den Horizont in die prognostizierte Richtung bewegt? Keine Kosten, kein Risikomanagement — niemals eine Performance-Aussage.
Die Momentum- und Statistikfamilie
Momentum, Wahrscheinlichkeit und Stärke — die Signale unter der Smart-Money-Ebene und neben den Trend-Tools.
Füge Adaptive Lorentzian Classification deinem Chart hinzu
Ein Klick auf TradingView, kostenlos in jedem Plan, Code, den du lesen kannst. Nichts repaintet.