大家好！今天我要和大家聊聊一个有趣的主题：基于 k近邻算法的分类器。这种方法虽然没有达到我预期的效果，但我相信通过讨论，我们或许能找到改进的方向。
首先，欧几里得距离函数是我们分类器的核心。它通过已有的向量基础来描述交易或市场情况，判断输入向量是否属于某个类别。在我们的例子中，如果交易以正收益结束，则归为类别1；若为负收益，则归为类别0。接着，我们使用欧几里得距离来寻找多维向量的最近邻，计算属于类别1的 k 个向量的数量，并根据这个值与邻居总数（即 k）的比值，来得出该向量属于类别1的概率。
不过，由于选择的向量坐标可能不佳，分类结果的可信度并不高，尤其是在概率接近0.5时。因此，我们设定一个阈值，例如当未来交易盈利的概率高于0.7时，才考虑进场交易。我们认为移动平均的比例可以作为向量的坐标，假设这些比例是静态的，经过一次分类后，可以在后续测试中继续使用。不过，事情并没有那么简单。为什么要选择 k近邻算法呢？因为第一个最近邻可能会受到随机值异常波动的影响，而忽略了附近存在的相反向量群。
分类器存在两个主要问题：
- 1) 如何找到静态的数据来准确描述市场情况或未来交易，以达到所需的分类精度。
- 2) 数学运算量大，计算时间较长（实际上略低于 PNN）。
简单来说，这些问题与传统的交易系统几乎相同。但分类器的优势在于它可以形式化那些交易者无法直接看到的条件，尽管交易者可能会直观地感受到某些指标值对交易决策的影响。
接下来，我们来谈谈具体的实现方式。
- Base - true 表示写入向量基础文件， false 表示进行分类交易。
- buy_threshold=0.6：所有 买入 头寸的阈值。
- sell_threshold=0.6：同样适用于 卖出。
- inverse_position_open?=true：这个选项很有趣。如果盈利交易的概率很小，为什么不考虑反向入场呢？这个标志开启了这样的可能。
- invers_buy_threshold=0.3：当盈利的 买入 头寸概率小于此值时，开启卖出交易。
- invers_sell_threshold=0.3：同样。
- fast=12：MACD的参数。
- slow=34。
- tp=40：止盈。
- sl=30：止损。
- close_orders=false：仅在盈利时启用反向信号平仓。
使用方法：首先，将 Base 设置为 true，将 sl 和 tp 设置为相同的值，然后在历史数据上运行（仅一次！），此时将生成向量文件。之后，将 Base 设置为 false，并建议优化阈值，根据第一次报告（未分类）选择。如果成功概率为0.5，则阈值设置为0.6和0.4（用于反向入场）。
再强调一下，这只是一个例子，分类器同样可以应用于其他交易系统和不同的输入数据。
分类之前：
分类之后，经过阈值优化：
