Adaptive Lorentzian Classification [Quantum Algo]
一个机器学习分类器：将当前K线的六维特征指纹与数千根历史K线进行比对，让最相似的K线带着置信度评分投票，并用洛伦兹距离衡量相似度，使新闻驱动的异常值无法劫持近邻选择——独立重新推导、时间对齐，且不导入任何库。
简短回答
Adaptive Lorentzian Classification——图表上显示为 Quantum ML Engine——是一款免费、开源的 TradingView 机器学习分类器，它在历史特征向量中进行近似最近邻搜索，预测可配置周期内的价格方向。它不依赖单一振荡指标，而是将当前K线的指纹（最多六个归一化特征）与数千根历史K线比对，找出最相似的市场状况，并让它们的结果对接下来最可能的走势进行投票。默认使用洛伦兹距离 log(1 + |Δ|) 衡量相似度，它会压缩 CPI 公布、FOMC 和黑天鹅事件前后的异常值，使单根极端K线无法主导近邻选择。这是一个完全自包含的实现，不导入任何库。
分类K线颜色、带置信度的预测标签、核估计线、可选的 ATR 移动止损线，以及显示自适应 K 和市场状态的仪表盘。
带中性区标签的时间对齐训练、加权特征、四种距离度量、置信度门槛和自适应 K。
K线收盘时评估；训练样本仅在结果实现后才加入——无未来函数。
洛伦兹距离及其原因
欧几里得距离会对特征之间的差值求平方，因此单个极端读数会主导近邻选择。洛伦兹距离随差值的对数增长——大差距被压缩，类似于质量弯曲时空——因此选出的近邻反映的是整个指纹，而不是最极端的那个分量。将其应用于图表 kNN 分类的思路由 jdehorty 首创，建立在 capissimo 的 kNN 研究之上；本脚本独立重新推导了该方法并加以扩展。
绘制内容
K线颜色
按实时分类着色。
预测标签
附带投票值和 0–100% 的置信度。
可选的 ATR 移动止损
启用该出场模式时显示的价位。
核回归估计线
启用 Nadaraya-Watson 过滤器时显示。
仪表盘
实时信号、置信度、当前自适应 K、波动率与趋势状态、核偏向，以及仅用于调参反馈的校准胜率。
本页的 BCH/USDT 2 小时截图展示了带置信度标签的分类结果和仪表盘；设置截图展示了 Inputs 选项卡。
本实现的不同之处
时间对齐的训练集。
每个样本将某根K线的特征向量与其后 H 根K线的实际结果配对；样本仅在结果实现后才加入——无未来函数。
ATR 中性区标签。
小于 ATR 一定倍数的波动被标记为 NEUTRAL，因此横盘噪音绝不会给出错误的方向性训练。
六个带重要性权重的工程化特征
RSI、WaveTrend、CCI、ADX、MFI 和 Fisher Transform，每个都归一化到 0–1，并各有独立权重。
四种距离度量
洛伦兹、曼哈顿、欧几里得以及 50/50 混合。
带置信度评分的距离加权投票
越近的邻居投票权重越大（1 / (1 + distance)）；最低置信度门槛会屏蔽低信心信号。
自适应 K
波动率排名较高时近邻数量最多缩减 40%，在平静行情中则扩大。
滑动训练窗口
始终使用最近的 N 根K线。
可配置的预测周期
（1–20 根K线）、三种出场模式（固定周期、核斜率、ATR 移动止损）以及更高时间周期 EMA 共振过滤器。
运作方式
在每根K线上计算六个特征并进行归一化。
将该向量与滑动窗口中的样本进行比对，并设置最小时间间隔（默认 4 根K线），确保邻居来自不同的行情片段。
单调的距离阈值维持一个稳定的近似最近邻池；当池中数量超过 K 时，阈值会重置为第 75 百分位距离，以便更近的样本轮换进入。
邻居按接近程度加权，投票做多 / 做空 / 中性；加权和即为预测值，一致程度即为置信度。
原始信号可通过以下可选过滤器——波动率状态、趋势状态、ADX、EMA/SMA、更高时间周期趋势，以及带高斯交叉模式的 Nadaraya-Watson 有理二次核。
只有当机器学习信号、置信度门槛和所有已启用的过滤器在K线收盘时一致，才会显示入场信号。
设置
| 分组 | 输入参数 | 作用 | 推荐起点 |
|---|---|---|---|
| 通用 | 数据源、训练窗口、预测周期、中性区宽度 | 问题定义 | close；2000；4 根K线；0.5 ATR |
| ML Engine | K、自适应 K、时间间隔、距离度量、距离加权、最低置信度 | 分类器 | 8；开启；4；Lorentzian；开启；60% |
| Feature Engineering | 六个槽位的类型、参数和权重 | 特征指纹 | RSI 14、WT 10/11、CCI 20、ADX 20、MFI 14、Fisher 9；权重 1.0 |
| Filters | 波动率、市场状态、ADX、EMA/SMA、更高时间周期 | Gates | 波动率开启；波段交易开启 HTF |
| Kernel | 回溯长度、相对权重、回归水平、滞后、平滑 | Nadaraya-Watson | 8 / 8 / 25 / 2 |
| Exits | 固定 vs 动态、ATR 移动止损及倍数 | 平仓方式 | 固定周期；移动止损关闭 |
| Display | K线颜色、预测标签、仪表盘、颜色压缩 | 外观 | — |
警报
做多和做空入场条件，在K线收盘时评估，并受置信度及所有已启用过滤器的约束；可从指标的警报列表中创建。
使用方法
先在 1H–4H 图表上使用默认设置，并等待训练窗口填满。
提高最低置信度可获得更少、更精选的信号；在较低时间周期上提高时间间隔，可让近邻更加多样化。
针对每个市场重新调整特征和距离度量——加密货币、外汇、指数和股票的表现各不相同。
校准胜率仅作为调参反馈。它不是回测，不包含任何成本，也不是业绩声明。
将其作为共振层，纳入包含您自身风险管理的完整计划中使用，切勿作为独立系统。
三种交易方式
高置信度一致。
置信度 75%+ 的做多分类，且 HTF 过滤器通过，价格回到需求区块——机器学习投票确认结构性入场；止损设在区块下方。
意见分歧时观望。
结构显示做多，分类器却以高置信度显示做空——减小仓位或等待；两者很少长时间相左。
核斜率出场。
在趋势交易中，动态核斜率出场让分类器成为移动式决策，而非固定周期。
各市场推荐设置
加密货币，1H–4H：
Lorentzian，K 8，置信度 60%，间隔 4，开启波动率过滤器。
外汇，15m–1H：
在较平滑的数据上，Manhattan 或混合度量通常能找到更好的近邻；间隔 6；MFI 权重 0.5（tick 成交量）。
指数和股票，1H–日线：
Lorentzian，K 10，开启 HTF 过滤器，预测周期 5。
对比
与原版 Lorentzian Classification 相比：概念相同，但独立重新推导，并加入了时间对齐训练、中性区标签、加权特征、四种距离度量、置信度门槛、自适应 K、滑动窗口、三种出场模式和 HTF 过滤器。与 Neural Confluence Engine 相比：后者是八个因子的固定权重组合；而本指标通过相似度从图表自身的历史中学习。与 Zeno 相比：Zeno 的信号来自机构结构；分类器则是对同一根K线的免费共振投票。
局限性
分类器只从近期窗口中学习；市场状态变化会降低近邻质量，直到窗口重新填满。与任何基于K线收盘的逻辑一样，未收盘的K线在收盘前可能发生变化。校准统计是反馈，而非业绩。归一化到 0–1 的六个特征无法感知新闻。
致谢
概念灵感：jdehorty（Machine Learning: Lorentzian Classification）和 capissimo（kNN 实现）——基础研究归功于两位。本脚本是 Quantum Algo 独立原创的实现，包含上述扩展，以开源方式发布；未复用任何代码。
分步指南：将其添加到您的 TradingView 图表
在 TradingView 上打开脚本页面（见上方链接），点击 Add to favorites，然后点击 Use on chart——或在任意图表上打开 Indicators，搜索“Adaptive Lorentzian Classification Quantum Algo”并添加。所有 TradingView 套餐均可免费使用。
打开指标设置，参照上表为您的市场和时间周期设置输入参数；默认值针对 1 小时至 4 小时图上的加密货币调校。
在 Style 选项卡中，将颜色与您的图表主题匹配；仪表盘位置和文字大小在 Inputs 中设置。
设置警报：右键点击图表 → Add alert，选择该指标作为条件并选取事件；设置为“Once per bar close”，使警报与已收盘K线的逻辑一致。
保存布局，并添加其他免费的 Quantum Algo 工具——它们本就是为协同使用而设计的。
如需阅读或复用代码，请点击脚本页面上的 Source code；重新发布须遵守 TradingView 的社区规则。
代码内部，写给开发者
Pine Script，开源。如果您想修改它，值得一读：所有识别和信号均以 barstate.isconfirmed 为门槛；状态保存在有上限的绘图对象数组中，并配有明确的创建、更新和移除函数；涉及统计时，使用带收缩的先进先出数组，并内联计算 Wilson 区间；命名的 alertcondition 调用确保 webhook 接收一致的数据。学院的 Pine Script 教程和 TradingView 回测指南介绍了如何转换为策略。
与其他免费指标搭配使用
这些免费工具可叠加在同一张图表上：聪明钱概念 Engine 用于判断偏向和 Confluence Score；Order Blocks with Volume、Fair Value Gaps + Inversion 和 Institutional Key Levels 用于确定区域；Liquidity Sweeps、Sessionscope 和 Liquidation Magnet 用于流动性和触发；OTE + Silver Bullet 用于时间筛选后的入场；Institutional Volume Profile 和 Pressure Oscillator 用于判断成交量是否认同。
趋势与波动率系列——Adaptive Trend Sentinel、SuperTrend Engine、Golden Cross Engine、Anchored VWAP Engine、Trendline Architect、Keltner Rings 和 Volatility Storm Tracker——用于判断市场状态、方向和空间；动量与统计系列——MACD Matrix、Multi-Oscillator Divergence Scanner、Event Probability Engine、Market Bottom Finder、Neural Confluence Engine、Adaptive Lorentzian Classification 和 Directional Strength Index——用于判断动量、概率和强度。免费指标中心列出了所有工具；SMC 指南则是叠加使用背后的方法。
使用本指标的常见错误
- 相信未收盘的K线——每个事件都要等待收盘。
- 每个标记都去交易——该工具提供动量和背景；入场需要一个结构价位，以及设在其外侧的止损。
- 在不合适的时间周期上使用默认长度——请按设置表所示调整输入参数。
- 把统计数据当作承诺——它们描述的是这张图表的历史，并有意向中性收缩。
- 随意堆叠十个脚本——免费工具之所以能叠加，是因为它们本就为此而打造。
想要信号，而不只是结构？
Zeno 跨时间周期读取聪明钱结构，并在您的图表上标出入场、止损、TP1 和 TP2——实盘记录显示，按标注价位已平仓 160 个信号，其中 120 笔盈利、40 笔亏损。QuantumBot 可在 Bybit、Binance、OKX、Bitget 和 Kraken 上执行。
本指标术语表
常见问题
Adaptive Lorentzian Classification 会重绘吗？
信号在K线收盘时评估；与任何基于K线收盘的逻辑一样，未收盘的K线在收盘前可能变化。训练样本仅在其结果实现后才加入，因此不存在未来函数。
什么是洛伦兹距离？
每个特征取 log(1 + |Δ|)——一种压缩较大差值的距离，使新闻事件前后的异常K线无法主导近邻选择。
置信度百分比代表什么？
最近邻加权投票之间的一致程度；最低置信度门槛会屏蔽低于您设定阈值的信号。
校准胜率是回测吗？
不是。它检查每个信号之后价格是否在预测周期内朝预测方向移动，不含成本和风险管理——仅作为调整特征的反馈，绝非业绩声明。
我应该使用哪种距离度量？
默认使用 Lorentzian；在较平滑的序列上使用 Manhattan 或混合度量；希望异常值发挥作用时使用 Euclidean。切换距离度量是针对各资产类别最有效的调参手段。
它与 Zeno 有什么关系？
Zeno 标出带止损和目标位的结构信号；分类器则是对同一根K线的免费共振投票——一致时增强信心，分歧时则是等待的理由。
什么是 Lorentzian Classification 指标？
一种用洛伦兹距离衡量K线之间相似度的最近邻分类器；这是 Quantum Algo 的独立实现，具备时间对齐训练、中性标签、加权特征和置信度门槛。
它使用未来数据吗？
不会。训练样本仅在其预测周期内的结果实现后才加入，且请求更高时间周期数值时不使用 lookahead。
我应该给哪些特征加权？
六个特征先统一设为 1.0；在使用 tick 成交量的品种上降低 MFI；在趋势型市场中提高 ADX。权重是调参手段，而不是黑箱。
它需要多少根K线？
训练窗口（默认 2000）需要填满；在新图表上，请等待加载完成后再读取置信度。
它是 AI 买卖指标吗？
它是一个透明的 kNN 分类器，所有输入均可见——没有隐藏模型——并被设计为共振层，而非独立系统。
为什么仪表盘会显示胜率？
这是用于调参的校准统计：价格是否在预测周期内朝预测方向移动？不含成本，不含风险管理——绝非业绩声明。
将 Adaptive Lorentzian Classification 添加到您的图表
在 TradingView 上一键添加，所有套餐免费，代码公开可读。绝不重绘。