当只有一个指标可以看时，显然无法通过 sigmoid 函数预处理显式特征，此时蜡烛图就有意义，比如只有一个吞吐率散点图，需要分析链路带宽走势时。
移动平均线会随时间依次平滑掉所有细节，因此它是滞后的，而蜡烛图(即 K 线图)同时保留峰谷起始，更多细节被保留，而按阶段绘制四点包络线又同时会显示移动平均的趋势。
以下是一个 BBR 模拟场景：
- t < 100：单流正常；
- 100 < t < 200：随机突发；
- t = 250：新流侵入；
- 300 < t < 350：随机突发；
- t = 500：新流侵入；
- 600 < t < 650：持续拥塞；
- 750 < t < 900：逐渐拥塞；
- t = 1050：带宽加倍；
- 1050 < t < 1250：带宽随机波动；
- 1300 < t < 1450：突发波动；
- 1450 < t < 1550：突发波动；
- …
下面给出图表：
其中图三为蜡烛图，图四分别给出移指平均和蜡烛图统计周期内 max，min 算术平均。以下是一个对应区间细节图：
对移指平均而言，不同 alpha 的平滑细节不同，即便和算术平均放一起也看不出任何趋势，几乎无法分析。而蜡烛图分析 BBR 带宽变化的原因则可看出很多细节，比如通过实体长度，上影线，下影线长度识别随机波动，随机噪声，微突发，持续拥塞，逐渐拥塞，新流侵入，退出，探测比例，公平比例。
总之，通过大阳线，大阴线，锤头，十字星，吊颈线等固有模式及其组合分析，可以刻画很多细节并得到很多结论。
简单介绍一下蜡烛图：かい 音译(只有中国在内少数国家叫 ‘kei-sen’，其余叫 ‘蜡烛’ 图，kei-sen 发音也包括 ‘线’ 的发音，疑似源于粤语音读)，始于日本，一看就是日式风格，类似日本工业产品说明书，早期为了统计米价走势，如今普遍用于金融领域。
下面介绍一下如何用 python 绘制蜡烛图。
首先，要装库，建议在 virtualenv 中安装：
pip3 install virtualenv
virtualenv py3env
source py3env/bin/activate
pip3 install mplfinance
以下是个最简单的 demo：
#!/Users/zhaoya/myenv/bin/python3
import mplfinance as mpf
import numpy as np
import pandas as pddata_list = []
data_list.append((100, 104, 98, 102))
data_list.append((102, 108, 88, 96))
data_list.append((96, 100, 85, 93))
data_list.append((93, 115, 93, 105))data = np.array(data_list).reshape(-1, 4)
df = pd.DataFrame(data, columns=['Open', 'High', 'Low', 'Close'])dates = pd.date_range(start='2023-01-01', periods=len(df), freq='D')
df.index = datesmarket_colors = mpf.make_marketcolors(up='g', down='r')
style = mpf.make_mpf_style(marketcolors=market_colors)mpf.plot(df, type='candle')
结局如下：
简单介绍一下 sigmoid 函数：普遍运用于 AI 大模型，将值域映射到固定区间(一般 0 到 1)，通过设定激发阈值来获得输出或不输出。
浙江温州皮鞋湿，下雨进水不会胖