Lorentzian Classification : le guide complet machine learning

Quel type de modèle est Lorentzian Classification ?

Au fond, Lorentzian Classification est un classificateur k-nearest-neighbours (k-NN) appliqué au prix. k-NN fait partie des méthodes de machine learning les plus anciennes et les plus intuitives : pour classer un nouvel exemple, vous trouvez les k exemples passés les plus similaires et vous les laissez voter. Appliqué au trading, chaque « exemple » est un instantané des conditions de marché sur une bougie — décrit par une poignée de valeurs d'indicateurs — et l'étiquette est ce que le prix a fait ensuite. La bougie actuelle est classée en trouvant les bougies historiques les plus similaires, puis en observant si elles ont majoritairement été suivies de mouvements haussiers ou baissiers.

Ce qui rend cet indicateur particulier, c'est le choix de la distance. Pour décider quelles bougies passées sont « les plus similaires », il faut une façon de mesurer l'écart entre deux instantanés de marché. La plupart des méthodes utilisent la distance euclidienne — la géométrie ordinaire en ligne droite. Lorentzian Classification utilise plutôt la distance lorentzienne, une mesure empruntée aux mathématiques de l'espace-temps, qui compresse l'effet des grandes différences. En pratique, cela signifie que les lectures extrêmes et volatiles déforment moins la recherche de similarité, de sorte que les voisines trouvées ont tendance à être plus réellement comparables dans les marchés agités.

Comment k-nearest-neighbours classe-t-il la bougie actuelle ?

La mécanique est plus facile à suivre comme une séquence. Chaque bougie historique est stockée comme un point dans un « espace des features » dont les axes sont les lectures d'indicateurs sur cette bougie. Lorsqu'une nouvelle bougie se forme, le modèle la place dans ce même espace et mesure la distance lorentzienne jusqu'à chaque point stocké. Il conserve les k plus proches — les nearest neighbours — puis regarde comment le prix s'est résolu après chacune d'elles. Si la plupart de ces situations passées similaires ont été suivies d'un mouvement haussier, la bougie actuelle est classée haussière ; si la plupart ont mené à des mouvements baissiers, elle est classée baissière.

Le nombre k compte. Un petit k rend le modèle sensible et réactif mais bruyant ; un grand k lisse le vote mais peut flouter de vrais signaux. C'est exactement pourquoi les implémentations adaptatives, comme AI-clustered Supertrend, ajustent k aux conditions au lieu de le fixer — le Quantum ML Engine dans le graphique ci-dessus affiche un « Adaptive K » de 6/8, ce qui signifie qu'il utilise actuellement six voisines sur huit possibles selon l'état du marché. La classification que vous voyez est le vote agrégé de ces analogues historiques.

Pourquoi mesurer la similarité avec la distance lorentzienne, et non euclidienne ?

La métrique de distance est au cœur de ce qui rend cet indicateur différent ; il vaut donc la peine de l'appréhender intuitivement. Imaginez deux instantanés de marché similaires sur presque tous les points, mais très différents sur une lecture volatile — par exemple un pic de momentum. La distance euclidienne élève les différences au carré, si bien que ce seul grand écart domine le calcul et éloigne fortement les deux instantanés, alors qu'ils se ressemblent par ailleurs. Le modèle passerait alors à côté d'une bougie historique réellement comparable.

La distance lorentzienne ne croît que logarithmiquement avec les grandes différences, de sorte qu'une seule lecture extrême ne fait pas exploser la mesure de similarité. Les bougies similaires mais volatiles restent proches dans l'espace des features, en complément d'outils comme le Gaussian Channel, ce qui permet à la recherche de nearest neighbours de trouver des situations plus vraiment analogues quand les marchés sont turbulents — précisément lorsque des analogues fiables ont le plus de valeur. Cette robustesse à la volatilité et aux valeurs aberrantes est toute la raison du choix de la métrique lorentzienne, et explique pourquoi l'indicateur se comporte souvent plus intelligemment dans une action du prix chaotique qu'un classificateur de géométrie simple.

Que voit réellement le modèle sur chaque bougie ?

Un classificateur k-NN ne vaut que par les features qui décrivent chaque bougie. Lorentzian Classification décrit généralement les conditions de marché avec un petit ensemble de lectures techniques normalisées — couramment des oscillateurs de momentum et de tendance comme le RSI, une mesure de type Wave Trend ou CCI, et l'ADX pour la force de tendance. Chaque bougie devient une courte liste de ces valeurs, et cette liste constitue ses coordonnées dans l'espace des features où la similarité est mesurée.

Le choix et le nombre de features façonnent tout ce qui vient ensuite. Trop peu, et le modèle ne peut pas distinguer des situations réellement différentes ; trop, et la « malédiction de la dimensionnalité » fait que chaque bougie semble à peu près à la même distance, affaiblissant la recherche de voisines. Les bonnes implémentations gardent un ensemble de features compact, normalisé et complémentaire — chaque feature capturant un aspect différent du marché — afin que « plus proche » dans l'espace des features signifie vraiment « plus similaire » en termes de marché.

Lire le tableau de bord du Quantum ML Engine

Le graphique ci-dessus montre l'implémentation Adaptive Lorentzian de Quantum Algo, et son tableau de bord rend visible l'état interne du modèle — une bonne façon d'apprendre ce que fait l'indicateur. Chaque ligne est une sortie en direct du classificateur et de sa logique de soutien, ce qui vous permet de voir non seulement un signal, mais aussi le contexte qui le sous-tend.

L'habitude la plus importante consiste à lire le signal dans son contexte. Un signal short avec une faible confiance dans un régime de tendance à volatilité contractée est une proposition très différente d'un signal de forte confiance lorsque la volatilité s'étend. Notamment, le Quantum ML Engine qualifie son chiffre de taux de réussite de courte « calibration, pas un backtest » — un rappel honnête qu'un taux de réussite récent sur une petite fenêtre est un contrôle de santé de la calibration actuelle du modèle, pas une promesse de performance future. Traiter chaque lecture comme un contexte probabiliste plutôt qu'une garantie est le bon état d'esprit pour tout indicateur ML.

Dans quoi Lorentzian Classification excelle-t-il, et où échoue-t-il ?

Bien utilisé, Lorentzian Classification a de vraies forces. Il s'adapte aux données réelles au lieu de supposer un modèle fixe du marché, sa métrique lorentzienne le rend robuste précisément dans les conditions volatiles où des outils plus simples cassent, contrairement à un outil de moyenne mobile, et une bonne implémentation donne une lecture nuancée et probabiliste, avec confiance et contexte de régime. C'est une lentille réellement différente sur le marché par rapport à la boîte à outils habituelle des moyennes mobiles.

Mais ce n'est pas de la magie, et être honnête sur ses limites distingue les bons utilisateurs de ceux qui seront déçus. Il reste une correspondance de motifs sur données passées : si le futur cesse de ressembler au passé — un véritable changement de régime sans analogue historique — ses voisines deviennent trompeuses. Il ne sait pas pourquoi quoi que ce soit arrive, seulement ce qui avait tendance à suivre des lectures similaires. Il peut être curve-fit par un réglage excessif — raison pour laquelle un backtesting honnête compte — et, comme tout indicateur, il peut produire des séries perdantes. C'est un signal probabiliste de grande qualité à combiner avec la structure, le contexte et une gestion du risque stricte — pas un oracle autonome.

Faut-il trader les signaux Lorentzian seuls ?

La façon productive d'utiliser Lorentzian Classification est de s'en servir comme filtre directionnel de qualité et moteur de contexte, pas comme déclencheur achat/vente aveugle. Laissez le classificateur vous indiquer quel côté a l'edge historique maintenant et avec quelle confiance, puis exigez votre propre confirmation avant d'agir — un market-structure shift dans la même direction, un niveau clé ou un signal d'entrée séparé. La classification fixe le biais ; votre structure et votre plan de risque fixent le trade.

Il se combine aussi naturellement avec la même discipline que réclame n'importe quel indicateur : donnez davantage de poids aux signaux de plus forte confiance, respectez le contexte de régime et de volatilité fourni par le tableau de bord, et dimensionnez chaque trade avec une gestion du risque stricte afin qu'aucune mauvaise classification isolée ne fasse de dégâts. Comme le Quantum ML Engine expose explicitement la confiance, le régime et la volatilité, vous pouvez construire des règles simples — par exemple ne prendre que les signaux au-dessus d'un seuil de confiance dans un régime de tendance — qui transforment un classificateur brut en système discipliné et filtré.