Lorentzian Classification：机器学习完整指南

Lorentzian Classification 属于哪种模型？

从核心上看，Lorentzian Classification 是应用在价格上的 k 近邻（k-NN）分类器。k-NN 是最古老、也最直观的机器学习方法之一：要给一个新样本分类，您先找到k 个最相似的历史样本，然后让它们投票。应用到交易中，每个“样本”都是某根 K线上的市场条件快照，由几个指标数值描述；标签则是价格接下来做了什么。当前 K线会通过寻找最相似的历史 K线来分类，并观察它们之后大多是上涨还是下跌。

这个指标的独特之处在于距离的选择。要判断哪些历史 K线“最相似”，您需要一种衡量两个市场快照之间差距的方法。大多数方法使用 Euclidean 距离，也就是普通的直线几何。Lorentzian Classification 则使用 Lorentzian 距离，这是一种借自时空数学的度量，会压缩大差异的影响。实际效果是，极端、剧烈波动的读数不那么扭曲相似性搜索，因此它找到的邻居在动荡市场中往往更真正可比。

k 近邻如何给当前 K线分类？

把机制拆成一个序列会更容易理解。每根历史 K线都被存储为“特征空间”中的一个点，坐标轴是该 K线上的指标读数。当新 K线形成时，模型会把它放入同一个空间，并测量它到每个已存储点的 Lorentzian 距离。它保留k 个最近的点，也就是最近邻，然后观察它们之后价格如何演化。如果这些相似的过去情境大多随后上涨，当前 K线就被分类为看涨；如果大多随后下跌，就被分类为看跌。

数字 k 很重要。较小的 k 会让模型敏感、反应快，但噪音更大；较大的 k 会平滑投票，却可能模糊真正的信号。这正是为什么像 AI-clustered Supertrend 这样的自适应实现，会根据条件调整 k，而不是固定它。上方图表中的 Quantum ML Engine 显示 “Adaptive K” 为 6/8，意思是它当前会根据市场状态，在最多八个邻居中使用六个。您看到的分类，就是这些历史相似样本的聚合投票。

为什么用 Lorentzian 距离而不是 Euclidean 距离衡量相似性？

距离度量是这个指标与众不同的核心，因此值得用直觉方式理解。想象两个市场快照在大多数方面相似，但在某个波动剧烈的读数上差异很大，例如一次动量尖峰。Euclidean 距离会把差异平方，因此单个巨大差距会主导计算，把两个快照推得很远，即使它们在其他所有方面都很像。模型随后就会忽略一根真正可比的历史 K线。

Lorentzian 距离只会随大差异按对数增长，因此单个极端读数不会放大到支配相似性度量。相似但波动剧烈的 K线会在特征空间中保持接近，并与 Gaussian Channel 这类工具形成互补；这意味着最近邻搜索能在市场动荡时找到更多真正类似的情境，而这正是可靠类比最有价值的时候。对波动和异常值的稳健性，是选择 Lorentzian 度量的全部原因，也解释了为什么这个指标在混乱价格走势中，常常比普通几何分类器表现得更理性。

模型在每根 K线上实际看到了什么？

k-NN 分类器的好坏，取决于描述每根 K线的特征。Lorentzian Classification 通常会用一小组标准化技术读数来描述市场条件，常见的是动量和趋势振荡指标，例如 RSI、Wave Trend 或 CCI 风格的度量，以及用于衡量趋势强度的 ADX。每根 K线都会变成这些数值组成的一小串列表，而这串列表就是它在特征空间中的坐标，相似性也在那里被衡量。

特征的选择和数量会塑造后续一切。太少，模型就无法区分有意义差异的情境；太多，“维度灾难”会让每根 K线看起来都差不多等距，从而削弱邻居搜索。好的实现会让特征集保持紧凑、标准化且互补，每个特征捕捉市场的不同方面，这样特征空间中的“最近”才真正意味着市场意义上的“最相似”。

读懂 Quantum ML Engine 仪表板

上方图表是 Quantum Algo 的 Adaptive Lorentzian 实现，它的仪表板会让模型内部状态可见，这是学习指标正在做什么的好方法。每一行都是分类器及其支持逻辑的实时输出，所以您看到的不只是一个信号，还有它背后的背景。

最重要的习惯，是在背景中阅读信号。在波动收缩、趋势市场状态中出现的低信心做空信号，和波动扩张时出现的高信心信号，完全是两回事。尤其值得注意的是，Quantum ML Engine 把它的胜率数字标注为短期“校准，而不是回测”，这是一个诚实提醒：小窗口中的近期命中率，是对模型当前校准状况的健康检查，而不是未来表现承诺。把每个读数都当作概率背景，而不是保证，才是使用任何 ML 指标的正确心态。

Lorentzian Classification 擅长什么，又会在哪里失效？

如果使用得当，Lorentzian Classification 确实有真实优势。它会适应实际数据，而不是假设市场有固定模型；它的 Lorentzian 度量让它在更简单工具容易失效的波动环境中保持稳健，不同于移动平均线工具；好的实现还会给出带有信心和市场状态背景的细腻概率读数。相比常见的移动平均线工具箱，它确实提供了一个真正不同的市场视角。

但它不是魔法，诚实面对限制，正是优秀用户和失望用户的分水岭。它仍然是在历史数据上做模式匹配：如果未来不再像过去，例如出现没有历史类比的真正市场状态变化，它的邻居就会变得误导。它不知道任何事情为什么发生，只知道相似读数之后通常发生了什么。它可能因为过度调参而曲线拟合，这也是为什么诚实回测很重要；并且像任何指标一样，它也会出现连续亏损。它是一个高质量的概率信号，应与结构、背景和严格风险管理结合，而不是单独使用的神谕。

应该单独交易 Lorentzian 信号吗？

使用 Lorentzian Classification 的有效方式，是把它当作高质量方向过滤器和背景引擎，而不是盲目的买入/卖出触发器。让分类器告诉您当前哪一边具有历史优势、它有多大信心，然后在行动前要求您自己的确认：同方向的市场结构转变（MSS）、关键价位，或单独的入场信号。分类设定倾向；您的结构和风险计划决定交易。

它也天然适合任何指标都需要的同一套纪律：更重视高信心信号，尊重仪表板提供的市场状态和波动率背景，并用严格的风险管理给每笔交易设定仓位规模，确保单次误分类不会造成伤害。由于 Quantum ML Engine 明确展示信心、市场状态和波动率，您可以建立简单规则，例如只在趋势市场状态中交易高于某个信心阈值的信号，把原始分类器变成一套有纪律的过滤系统。