Lorentzian Classification: la guía completa de machine learning
Lorentzian Classification es un indicador k-nearest-neighbors que encuentra las velas históricas más parecidas a la actual y predice la dirección a partir de cómo se resolvieron esos vecinos. Mide la similitud con distancia Lorentzian en lugar de euclidiana, lo que comprime lecturas extremas para que los mercados volátiles distorsionen menos la búsqueda. El número de vecinos, k, define la sensibilidad; las versiones adaptativas ajustan k a las condiciones del mercado.
Lorentzian Classification es uno de los indicadores de machine learning más comentados en TradingView, y con razón: en lugar de las medias móviles y umbrales habituales, trata el trading como un problema de reconocimiento de patrones. Mira las condiciones actuales del mercado, busca en el historial las situaciones pasadas más parecidas y clasifica el siguiente movimiento probable según lo que ocurrió en esas ocasiones, usando una medida de distancia poco común, la distancia Lorentzian, que maneja los mercados volátiles con más gracia que la geometría ordinaria.
Esta guía explica qué es realmente Lorentzian Classification, cómo funcionan en lenguaje claro la idea de k-nearest-neighbours y la distancia Lorentzian, qué significan las features y los ajustes, y cómo usarlo con sensatez sin caer en las trampas habituales de los "indicadores de IA". También recorre un ejemplo en vivo usando la implementación Adaptive Lorentzian de Quantum Algo para que puedas ver el concepto en un gráfico real.
¿Qué tipo de modelo es Lorentzian Classification?
En el fondo, Lorentzian Classification es un clasificador k-nearest-neighbours (k-NN) aplicado al precio. k-NN es uno de los métodos de machine learning más antiguos e intuitivos: para clasificar un ejemplo nuevo, encuentras los k ejemplos pasados más parecidos y dejas que voten. Aplicado al trading, cada "ejemplo" es una instantánea de las condiciones de mercado en una vela —descrita por un puñado de valores de indicadores— y la etiqueta es lo que hizo el precio después. La vela actual se clasifica encontrando las velas históricas más parecidas y viendo si en su mayoría fueron seguidas por movimientos al alza o a la baja.
Lo que hace distintivo a este indicador concreto es la elección de la distancia. Para decidir qué velas pasadas son "más parecidas", necesitas una forma de medir la separación entre dos instantáneas de mercado. La mayoría de métodos usa distancia euclidiana: geometría ordinaria de línea recta. Lorentzian Classification usa en cambio distancia Lorentzian, una medida tomada de las matemáticas del espacio-tiempo, que comprime el efecto de las grandes diferencias. En la práctica, esto significa que las lecturas extremas y volátiles distorsionan menos la búsqueda de similitud, por lo que los vecinos que encuentra tienden a ser más genuinamente comparables en mercados turbulentos.
Automatiza tus operaciones. Deja que Quantum Algo opere por ti.
Cada señal se ejecuta en tu propia cuenta, 24/7 y sin intervención.
¿Cómo clasifica k-nearest-neighbours la vela actual?
La mecánica es más fácil de seguir como una secuencia. Cada vela histórica se almacena como un punto en un "espacio de features" cuyos ejes son las lecturas de indicadores en esa vela. Cuando se forma una vela nueva, el modelo la coloca en ese mismo espacio y mide la distancia Lorentzian hacia cada punto almacenado. Conserva los k más cercanos —los vecinos más cercanos— y mira cómo se resolvió el precio después de cada uno. Si la mayoría de esas situaciones pasadas similares fueron seguidas por un movimiento al alza, la vela actual se clasifica como alcista; si la mayoría llevó a movimientos bajistas, como bajista.
El número k importa. Una k pequeña hace que el modelo sea sensible y reactivo, pero ruidoso; una k grande suaviza el voto, pero puede difuminar señales genuinas. Esta es exactamente la razón por la que las implementaciones adaptativas, como AI-clustered Supertrend, ajustan k a las condiciones en lugar de fijarla: el Quantum ML Engine del gráfico anterior muestra un "Adaptive K" de 6/8, lo que significa que actualmente está usando seis de ocho vecinos posibles según el estado del mercado. La clasificación que ves es el voto agregado de esos análogos históricos.
Clasificar la vela actual por sus vecinos
Encuentra las k velas históricas más parecidas y luego vota la dirección según cómo se resolvieron.
¿Por qué medir similitud con distancia Lorentzian y no euclidiana?
La métrica de distancia es el corazón de lo que hace diferente a este indicador, así que vale la pena entenderla de forma intuitiva. Imagina dos instantáneas de mercado que son parecidas en la mayoría de aspectos, pero difieren mucho en una lectura volátil, por ejemplo un pico de momentum. La distancia euclidiana eleva las diferencias al cuadrado, así que esa única brecha grande domina el cálculo y empuja las dos instantáneas muy lejos entre sí, aunque se parezcan en todo lo demás. Entonces el modelo pasaría por alto una vela histórica realmente comparable.
Distancia euclidiana vs Lorentzian
El cuadrado euclidiano deja que una gran brecha domine; Lorentzian solo crece logarítmicamente y se mantiene robusta.
La distancia Lorentzian crece solo de forma logarítmica con diferencias grandes, así que una sola lectura extrema no infla la medida de similitud. Las velas parecidas pero volátiles se mantienen cerca en el espacio de features, complementando herramientas como el Gaussian Channel, lo que significa que la búsqueda de vecinos más cercanos encuentra situaciones más verdaderamente análogas cuando los mercados están turbulentos, justo cuando los análogos fiables son más valiosos. Esta robustez frente a volatilidad y valores atípicos es toda la razón por la que se eligió la métrica Lorentzian, y por eso el indicador suele comportarse con más sensatez durante price action caótica que un clasificador de geometría simple.
Distancia euclidiana vs Lorentzian de un vistazo
| Propiedad | Distancia euclidiana | Distancia Lorentzian |
|---|---|---|
| Término por feature | Diferencia al cuadrado | Log de 1 más la diferencia absoluta |
| Crecimiento con brechas grandes | Cuadrático | Logarítmico |
| Una lectura extrema | Domina la distancia total | Comprimida, no puede dominar |
| Velas similares en mercados volátiles | Empujadas muy lejos | Mantenidas cerca |
| Búsqueda de vecinos en mercados turbulentos | Encuentra menos análogos reales | Encuentra más velas análogas |
◆Ambas métricas trabajan sobre las mismas features normalizadas; solo cambia la ponderación de las diferencias.
¿Qué ve realmente el modelo en cada vela?
Un clasificador k-NN solo es tan bueno como las features que describen cada vela. Lorentzian Classification suele describir las condiciones de mercado con un conjunto pequeño de lecturas técnicas normalizadas, comúnmente osciladores de momentum y tendencia como RSI, una medida tipo Wave Trend o CCI, y ADX para la fuerza de tendencia. Cada vela se convierte en una lista breve de estos valores, y esa lista son sus coordenadas en el espacio de features donde se mide la similitud.
La elección y el número de features moldean todo lo que viene después. Demasiado pocas y el modelo no puede distinguir situaciones significativamente distintas; demasiadas y la "maldición de la dimensionalidad" hace que cada vela parezca aproximadamente equidistante, debilitando la búsqueda de vecinos. Las buenas implementaciones mantienen el conjunto de features compacto, normalizado y complementario —cada feature capturando un aspecto distinto del mercado— para que "más cercano" en el espacio de features realmente signifique "más parecido" en términos de mercado.
Features de momentum
Lecturas como RSI o un oscilador Wave Trend capturan si el mercado está estirado o acumulando energía, muy parecido a una lectura de squeeze momentum: una parte central de lo que hace comparables dos situaciones.
Features de tendencia
Una medida de fuerza de tendencia como ADX le dice al modelo si una instantánea viene de un entorno en tendencia o en rango, lo que afecta mucho a lo que ocurre después.
Normalización
Las features se escalan a rangos comparables para que ninguna domine la distancia solo por sus unidades: un requisito previo para cualquier modelo basado en distancia.
Conjunto compacto
Un puñado de features complementarias supera a una gran pila de features correlacionadas, manteniendo significativa la búsqueda de vecinos en lugar de diluirla.
Lectura del dashboard de Quantum ML Engine
El gráfico anterior es la implementación Adaptive Lorentzian de Quantum Algo, y su dashboard hace visible el estado interno del modelo, una buena forma de aprender qué está haciendo el indicador. Cada fila es una salida en vivo del clasificador y de su lógica de apoyo, así que puedes ver no solo una señal, sino el contexto detrás de ella.
Qué te dice cada fila del dashboard
La señal es el voto; las otras filas te dicen cuánto confiar en ella y qué régimen la produjo.
El hábito más importante es leer la señal en contexto. Una señal short con baja confianza en un régimen de volatilidad en contracción y tendencia es una propuesta muy distinta a una señal de alta confianza mientras la volatilidad se expande. Cabe destacar que el Quantum ML Engine etiqueta su cifra de win rate como una breve "calibración, no un backtest": un recordatorio honesto de que una tasa de acierto reciente sobre una ventana pequeña es una comprobación de salud de la calibración actual del modelo, no una promesa de rendimiento futuro. Tratar cada lectura como contexto probabilístico en lugar de garantía es la mentalidad correcta para cualquier indicador ML.
¿En qué es bueno Lorentzian Classification y dónde falla?
Usado bien, Lorentzian Classification tiene fortalezas reales. Se adapta a los datos reales en lugar de asumir un modelo fijo del mercado, su métrica Lorentzian lo hace robusto justo en las condiciones volátiles donde herramientas más simples se rompen, a diferencia de una herramienta de media móvil, y una buena implementación da una lectura matizada y probabilística con confianza y contexto de régimen. Es una lente genuinamente distinta sobre el mercado frente al kit habitual de medias móviles.
Pero no es magia, y la honestidad sobre sus límites es lo que separa a los buenos usuarios de los decepcionados. Sigue siendo reconocimiento de patrones sobre datos pasados: si el futuro deja de parecerse al pasado —un cambio de régimen real sin análogo histórico— sus vecinos se vuelven engañosos. No sabe por qué ocurre algo, solo qué tendía a seguir a lecturas similares. Puede sobreajustarse por exceso de optimización, por eso importa un backtesting honesto, y como cualquier indicador puede producir rachas perdedoras. Es una señal probabilística de alta calidad para combinar con estructura, contexto y gestión estricta del riesgo, no un oráculo independiente.
¿Deberías operar señales Lorentzian por sí solas?
La forma productiva de usar Lorentzian Classification es como filtro direccional de alta calidad y motor de contexto, no como disparador ciego de compra/venta. Deja que el clasificador te diga qué lado tiene la ventaja histórica ahora y cuánta confianza tiene, luego exige tu propia confirmación antes de actuar: un cambio de estructura de mercado en la misma dirección, un nivel clave o una señal de entrada separada. La clasificación define el sesgo; tu estructura y tu plan de riesgo definen el trade.
Convertir el clasificador en una señal filtrada
Filtra la clasificación bruta con confianza y régimen, luego exige tu propia confirmación.
También combina de forma natural con la misma disciplina que exige cualquier indicador: da más peso a las señales de mayor confianza, respeta el contexto de régimen y volatilidad que ofrece el dashboard, y dimensiona cada trade con una gestión del riesgo estricta para que ninguna clasificación errónea individual haga daño. Como el Quantum ML Engine expone confianza, régimen y volatilidad explícitamente, puedes construir reglas simples —por ejemplo, tomar solo señales por encima de un umbral de confianza en un régimen tendencial— que conviertan un clasificador bruto en un sistema disciplinado y filtrado.
• Motor Adaptive Lorentzian — Adaptive K, detección de régimen y volatilidad con puntuación de confianza
• Calibración honesta — Una lectura de calibración transparente, explícitamente no presentada como backtest
• Rendimiento verificable — Un historial público verificado detrás de cada señal
◆ Prueba el motor Adaptive Lorentzian
Adaptive Lorentzian Classification de Quantum Algo —el Quantum ML Engine mostrado arriba— lleva Adaptive K, detección de régimen y volatilidad, puntuación de confianza y calibración honesta a tus gráficos, combinado con el mismo contexto de Smart Money Concepts que el resto de la suite, todo respaldado por un historial público verificado.
Ver el script en TradingView → Verificar el historialPreguntas frecuentes
Lorentzian Classification es un indicador de machine learning que trata el trading como un problema de reconocimiento de patrones. Usa un modelo k-nearest-neighbours para encontrar las velas históricas más parecidas a las condiciones actuales y clasifica el siguiente movimiento probable según cómo se resolvieron esas situaciones pasadas similares. Su rasgo definitorio es el uso de distancia Lorentzian —en lugar de la distancia euclidiana ordinaria— para medir similitud, lo que lo hace más robusto en mercados volátiles.
Cada vela histórica se almacena como un punto en un espacio de features cuyos ejes son lecturas de indicadores como RSI, un oscilador Wave Trend y ADX. Cuando se forma una vela nueva, el modelo mide la distancia Lorentzian desde ella hacia cada vela almacenada, conserva los k "vecinos más cercanos" y mira cómo se resolvió el precio después de cada uno. Si la mayoría de velas pasadas similares fueron seguidas por movimientos al alza, la vela actual se clasifica como alcista; si la mayoría llevó a movimientos bajistas, como bajista. La señal es el voto agregado de esos análogos históricos.
La distancia Lorentzian es una forma de medir qué tan diferentes son dos instantáneas de mercado, tomada de las matemáticas del espacio-tiempo. A diferencia de la distancia euclidiana, que eleva diferencias al cuadrado para que una sola gran brecha domine, la distancia Lorentzian crece solo logarítmicamente con diferencias grandes. Esto significa que una lectura extrema y volátil no infla la medida de similitud, así que las velas parecidas pero volátiles se mantienen cerca y el modelo encuentra situaciones históricas genuinamente comparables incluso en mercados turbulentos, justo cuando los análogos fiables más importan.
Sí, legítimamente: k-nearest-neighbours es uno de los algoritmos de machine learning más antiguos y establecidos. Es "machine learning" en el sentido de que clasifica datos nuevos aprendiendo de ejemplos históricos etiquetados en lugar de seguir reglas programadas a mano. Sin embargo, no es una red neuronal ni un modelo grande que "entienda" los mercados; es un clasificador basado en similitud. Esa distinción importa: es potente y adaptativo, pero es reconocimiento de patrones sobre historial, no razonamiento sobre causa.
K es el número de vecinos más cercanos que el modelo usa para votar la clasificación. Una K pequeña hace que el indicador sea reactivo pero ruidoso; una K grande suaviza el voto, pero puede difuminar señales reales. 'Adaptive K' significa que la implementación ajusta este número según las condiciones del mercado en lugar de fijarlo: por ejemplo, el Quantum ML Engine muestra un Adaptive K de 6/8, lo que significa que actualmente usa seis de ocho vecinos posibles dado el régimen y la volatilidad detectados.
Normalmente describe cada vela con un conjunto pequeño de lecturas técnicas normalizadas: comúnmente un oscilador de momentum como RSI, una medida tipo Wave Trend o CCI, y una medida de fuerza de tendencia como ADX. Estas se convierten en las coordenadas de la vela en el espacio de features donde se mide la similitud. Las buenas implementaciones mantienen el conjunto de features compacto, normalizado y complementario, porque demasiadas pocas features no distinguen situaciones y demasiadas activan la "maldición de la dimensionalidad" que hace que cada vela parezca equidistante.
Una versión bien construida que clasifica en velas cerradas no hace repaint: una vez que una vela cierra, sus features y su clasificación quedan fijas. Sin embargo, las implementaciones varían, y algunas muestran actualizaciones en tiempo real en la vela en formación que se estabilizan cuando cierra. Si dependes de las señales, verifica el script específico observándolo formarse en vivo y confirmando que las clasificaciones históricas no cambian al recargar. Como con cualquier indicador, confía solo en lo que resiste pruebas en tiempo real con velas cerradas.
El win rate de calibración es una tasa de acierto reciente que el modelo informa sobre una ventana corta como comprobación de salud de su calibración actual. Es importante que Quantum ML Engine la etiqueta explícitamente como calibración, "no un backtest": un recordatorio honesto de que una tasa de acierto sobre una muestra reciente pequeña es un indicador de qué tan bien está ajustado el modelo actualmente, no una proyección de rendimiento futuro. Debe leerse como contexto probabilístico junto con la señal, la confianza, el régimen y la volatilidad, nunca como garantía.
Es reconocimiento de patrones sobre datos pasados, así que si el futuro deja de parecerse al pasado —un cambio de régimen genuino sin análogo histórico— sus vecinos más cercanos se vuelven engañosos y su ventaja se debilita. No sabe por qué ocurre algo, solo qué tendía a seguir a lecturas similares. Puede sobreajustarse por exceso de optimización, y como cualquier indicador produce rachas perdedoras. Se trata mejor como una señal probabilística de alta calidad para combinar con estructura de mercado, contexto y gestión estricta del riesgo, no como un oráculo independiente.
Úsalo como filtro direccional y motor de contexto en lugar de disparador ciego. Deja que el clasificador te diga qué lado tiene la ventaja histórica y cuánta confianza tiene, luego exige tu propia confirmación —un cambio de estructura de mercado en la misma dirección, un nivel clave o una señal de entrada separada— antes de actuar. Como implementaciones como Quantum ML Engine exponen confianza, régimen y volatilidad explícitamente, puedes crear reglas simples, como tomar solo señales por encima de un umbral de confianza en un régimen tendencial, convirtiendo un clasificador bruto en un sistema disciplinado.
Es distinto, no estrictamente mejor. Las medias móviles son simples, transparentes y se retrasan por diseño; Lorentzian Classification es adaptativo, robusto a la volatilidad y da contexto probabilístico con confianza y régimen, pero es más complejo y depende de que el historial se parezca al presente. Muchos traders los encuentran complementarios: una media móvil o herramienta de canal para contexto de tendencia limpio y un clasificador Lorentzian para una lectura direccional matizada. Ninguno sustituye la estructura ni la gestión del riesgo.
Quantum Algo publica Adaptive Lorentzian Classification —el Quantum ML Engine mostrado en esta guía— en TradingView. Añade Adaptive K, detección de régimen y volatilidad, puntuación de confianza y calibración honesta sobre el método k-NN Lorentzian central, y superpone el mismo contexto de Smart Money Concepts que el resto de la suite. Puedes ver el script directamente en TradingView, y sus señales están respaldadas por el historial público verificado de Quantum Algo.
Referencias y guías relacionadas
Más sobre este tema
- Indicadores de trading con machine learning (Lorentzian): guía completa
- SuperTrend AI (Clustering): la guía completa
- Diario de trading con IA: cómo usar uno para mejorar de verdad
- Guía del indicador Gaussian Channel
- Mejores indicadores de TradingView
- Indicadores sin repaint: la guía completa para señales fiables
- Guía del indicador RSI
- Indicador Squeeze Momentum (TTM Squeeze): guía completa
- Mejor indicador de compra/venta: cómo elegir uno que realmente funcione
- Backtesting de estrategia de trading — Guía completa de validación
- Smart Money Concepts (SMC): guía definitiva de trading
- Estrategia de trend trading: la guía completa
- Mejores bots de trading — ranking: automatiza tu trading
- Guía del indicador Supertrend
Lecturas esenciales
- Indicadores de trading con machine learning (Lorentzian): guía completa
- Mejores indicadores de TradingView
- Gestión del riesgo en trading — La guía completa de supervivencia
- Todas las Guías Premium
- Historial público
- Quantum Algo en TradingView