PowerTrader AI是一款开源加密货币自动交易机器人，其核心是一个自研的kNN（k近邻）价格预测器：它在1小时到1周共7个时间周期上，通过匹配历史K线形态并做加权平均，实时预测当前未走完K线的高低点，并以此驱动 DCA 网格式建仓策略。

一句话概括：它不预测"明天涨不涨"，而是预测"这根还没走完的K线，最高会到哪个价、最低会到哪个价"。

为什么说它是 AI？——kNN 属于"基于实例"的机器学习

提到 AI，很多人首先想到大语言模型和神经网络。PowerTrader AI 用的其实是一类更朴素但同样成立的机器学习方法——基于实例的 kNN（kernel-style / instance-based）预测器，并带有"在线可靠性权重"：

• 训练阶段：遍历该币在多个周期上的全部历史K线，把每一个"K线形态"连同形态出现后下一根K线的实际表现一起存入"记忆库"；
• 预测阶段：把当前最新形态与记忆库比对，取相似度最高的若干条记忆，按各自权重做加权平均，输出一根"预测K线"；
• 在线学习：每根K线收盘后，对比实际值与预测值，自动上调/下调参与预测的每条记忆的权重——预测得准的记忆权重涨，预测失准的权重降。

这种"从历史相似案例投票得出预测"的思路，正是 kNN 算法的精髓，在 README.md 中也有作者自己的定义。

多周期预测架构：7 个时间框架各出一份预测

PowerTrader AI 的预测不是单一周期，而是多周期并行。在 pt_trainer.py 中定义了全部周期：

每个周期都有独立的一套记忆库和权重文件，因此每个周期都会独立生成一根"预测K线"。短周期（1小时）对即时波动敏感，长周期（1周）则捕捉大级别趋势——多周期叠加后，系统能同时看到"微观情绪"和"宏观位置"。

预测当前K线高低点的三步流程

第 1 步：训练——把"形态 + 下一根K线结果"存进记忆库

在 Hub 中点击 Train All 后，pt_trainer.py 会从交易所拉取该币种最多 10 万根历史K线（见 pt_trainer.py 中的how_far_to_look_back = 100000），并逐根向前推进：

1. 取最近几根K线的涨跌幅百分比序列作为"当前形态"（相对变化而非绝对价格，因此不同价位可比）；
2. 查看这个形态下一次在历史上出现时，下一根K线实际走到的高点/低点；
3. 把"形态 + 高点偏移 + 低点偏移 + 可靠性权重"写入记忆文件：
   • pt_trainer.py 中定义了记忆文件（memories_{周期}.txt）、总权重、高点权重（memory_weights_high_*）、低点权重（memory_weights_low_*）四类数据。

这一步本质上是在为每个周期建立一本"案例手册"："过去长这样的走势，之后通常怎么收"。

第 2 步：实时匹配——在记忆里找"最像现在"的案例

预测由 pt_thinker.py 完成。它循环遍历 7 个周期，对每个周期：

1. 拉取该周期正在进行的这根K线，计算其当前涨跌幅（见 pt_thinker.py 的current_candle计算）；
2. 逐条对比记忆库中的形态，计算相对差异diff_avg；
3. 差异小于自适应阈值perfect_threshold的记忆被判为"完美匹配"（见 pt_thinker.py）。

这里的perfect_threshold是一个自适应阈值：匹配到的案例太多时自动收紧、太少时自动放宽（见 pt_trainer.py），始终让"参与投票的记忆"保持在一个合理的数量区间。若一条都匹配不到，该周期会被标记为inactive，不参与信号输出。

第 3 步：加权平均——合成当前K线的预测高点与低点

拿到所有匹配记忆后，预测就是一次带权平均（见 pt_thinker.py）：

• 每条记忆贡献 = 该记忆中"下一根K线的高/低点偏移" × 该记忆的可靠性权重；
• 预测偏移 = 所有贡献的平均值；
• 最终价格 = 当前最新价 ×（1 + 预测偏移）。

于是每个周期都得到了两个价格：预测高点和预测低点。7 个周期合计最多产生14 条预测价格线——这就是界面上密密麻麻水平线的来源。

在线学习：权重如何"越用越准"

这是该预测器最有意思的设计。K线收盘后，pt_trainer.py 会做三件事：

权重文件按memory_weights_*.txt等格式落盘，配合内存缓存与批量写盘（pt_trainer.py 的flush_memory）保证长时间运行的效率。这意味着预测器持续跟随市场风格演化：牛市里的记忆和熊市里的记忆，会按各自的实战成绩自动获得不同的发言权。

预测结果怎么用：蓝线、橙线与 LONG/SHORT 信号

预测出的高低点会被整理成交易信号：

• 每个周期的预测低点（下方）作为低吸参考，预测高点（上方）作为高抛参考；
• 各周期结果统一排序、去重并强制最小间距（间距小于 0.25% 的线会被微调错开，见 pt_thinker.py），再外扩 0.5% 作为触发边界；
• 当前价跌破某条低点线 → 该周期记一次LONG；突破高点线 → 记一次SHORT（见 pt_thinker.py）；
• 图表上，低点线画成蓝色、高点线画成橙色（绘制逻辑见 pt_hub.py），一眼就能看出价格处于预测区间的哪个位置。

交易端的规则非常直观：当 LONG 计数达到设定级别（如 3 或更高）且 SHORT 计数为 0 时开仓（规则说明见 README.md 的 Neural Levels 章节）；之后价格每再跌破下一条蓝线就触发一次 DCA 加仓，直到触及利润线才平仓。

总结：这个 kNN 预测器好在哪

如果你想动手验证，只需安装 Python 依赖并依次运行训练与主程序（完整步骤见 README.md 的 Setup 章节），然后打开 Hub 即可在K线图上看到蓝橙预测线随行情实时刷新的效果。

⚠️ 风险提示：PowerTrader AI 会自动执行真实交易，预测模型不构成投资建议。请务必先理解 pt_thinker.py 与 pt_trader.py 的逻辑，并对自己的资金风险负责。