تجزیه و تحلیل فنی: چگونه تجزیه و تحلیل کنیم؟

با نگاهی به نشریات مختلف ، به نوعی مربوط به استفاده از تحلیل فنی ، ما با اطلاعاتی روبرو می شویم که گاهی شما را بی تفاوت می کند و گاهی اوقات تمایل به اظهار نظر در مورد اطلاعات خوانده شده ظاهر می شود. این تمایل است که منجر به نوشتن این مقاله شد ، که اول از همه در تلاش برای تجزیه و تحلیل اقدامات و نتایج ما یک بار دیگر ، با استفاده از یک روش خاص تجزیه و تحلیل.

اگر به نظرات در مورد شاخص های منتشر شده در https://www. mql5. com/en/code نگاه کنید ، متوجه خواهید شد که اکثریت قریب به اتفاق کاربران نسبت به کسانی از آنها که مقادیر محاسبه شده قبلاً در حال تغییر هستند ، نگرش بسیار منفی دارنددر حین تشکیل نوار بعدی.

هنگامی که مشخص شد که این شاخص دوباره تغییر یافته است ، برای کسی جالب تر نیست. چنین نگرشی به تغییر مجدد شاخص ها اغلب کاملاً منطقی است ، اما در برخی موارد ، بازگرداندن ممکن است به همان اندازه که در نگاه اول به نظر می رسد وحشتناک نباشد. برای نشان دادن این موضوع ، ساده ترین شاخص SMA را تجزیه و تحلیل خواهیم کرد.

در شکل 1 رنگ آبی ویژگی ضربه ای از فیلتر نرخ پایین را نشان می دهد ، که مربوط به نشانگر SMA (15) است. برای موردی که در شکل نشان داده شده است ، SMA (15) مبلغی از 15 مورد آخر دنباله ورودی است ، که در آن هر یک از تعداد ورودی توسط 1/15 مربوط به ویژگی Impulse ارائه شده ضرب می شود. اکنون ، با داشتن مقدار SMA (15) که در فاصله 15 تعداد محاسبه شده است ، باید تصمیم بگیریم که در چه مقطع زمانی باید این مقدار را اختصاص دهیم.

پذیرش SMA (15) به طور متوسط 15 تعداد ورودی قبلی ، این مقدار باید همانطور که در نمودار فوقانی نشان داده شده است ظاهر شود ، بنابراین باید با یک نوار صفر مطابقت داشته باشد. در صورت پذیرش SMA (15) به عنوان یک فیلتر با نرخ پایین با ویژگی ضربه ای از طول محدود ، بنابراین مقدار محاسبه شده ، با در نظر گرفتن تأخیر در فیلتر باید مطابق با نوار هفت ، همانطور که در نمودار پایین نشان داده شده است.

بنابراین ، با تغییر ساده ، نمودار میانگین متحرک را به نمودار فیلتر با نرخ پایین با تأخیر صفر تبدیل می کنیم.

توجه داشته باشید که در صورت استفاده از نمودارهای تأخیر صفر ، برخی از روشهای تجزیه و تحلیل سنتی کمی معنی آنها را تغییر می دهند. به عنوان مثال ، تقاطع دو قطعه MA با دوره های مختلف و تقاطع همان توطئه ها با تأخیر جبران شده در زمان های مختلف اتفاق می افتد. در مورد دوم ، ما لحظه های تقاطع را دریافت خواهیم کرد ، که فقط با دوره های MA تعیین می شود ، اما نه با تأخیر آنها.

بازگشت به شکل 1 به راحتی می توان در طرح پایین ، منحنی SMA (15) به جدیدترین تعداد سیگنال ورودی با مقدار برابر با نیمی از دوره متوسط رسید. منطقه ای از هفت شمارش در حال شکل گیری است که در آن مقدار SMA (15) تعریف نشده است. ما می توانیم فرض کنیم که با جبران تأخیر ، برخی از اطلاعات را از دست داده ایم زیرا منطقه ابهام ظاهر شده است ، اما این اساساً اشتباه است.

همین ابهام در نمودار فوقانی است (شکل 1) ، اما به دلیل تغییر آن در سمت راست پنهان شده است ، جایی که تعداد ورودی وجود ندارد. نمودار MA زمان خود را به دنباله ورودی از دست می دهد و اندازه تأخیر به دلیل تغییر در دوره صاف کننده MA بستگی دارد.

شکل 1. پاسخ ضربه ای از SMA (15)

اگر تمام تأخیرها در هنگام استفاده از MA با دوره های مختلف جبران شود ، این منجر به نمودارهایی می شود که زمان مشخصی به دنباله ورودی و به یکدیگر متصل می شود. اما علاوه بر مزایای غیرقابل انکار ، این رویکرد مناطقی از ابهام را فرض می کند. دلیل وقوع آنها ویژگی های شناخته شده ای از پردازش توالی های طول محدود زمان است ، اما اشتباهات استدلال ما نیست.

ما با مشکلات موجود در لبه های چنین توالی با استفاده از الگوریتم های درون یابی ، فیلترهای مختلف ، صاف کردن و غیره روبرو هستیم و هیچ کس فکر نمی کند که قسمت نتیجه را با تغییر آن پنهان کند.

باید اعتراف کنم که نمودارهای MA با یک قسمت خاص غیر کشیده نمایش صحیح تر از فیلتر است ، اما بسیار غیرمعمول به نظر می رسند. از دیدگاه رسمی ، ما نمی توانیم مقدار فیلتر SMA (15) ، تغییر = -7 را برای شمارش خروجی با شاخص پایین تر از 7 محاسبه کنیم ، بنابراین آیا راه دیگری برای صاف کردن شمارش در لبه وجود دارد اگر در صورتتوالی ورودی؟

بیایید سعی کنیم این شمارش ها را با استفاده از همان الگوریتم SMA فیلتر کنیم ، اما با نزدیک شدن هر نوار به صفر ، دوره صاف کردن آن را کاهش می دهیم. همچنین ، ما نباید جبران تأخیر فیلتر مورد استفاده را فراموش کنیم.

شکل 2. SMA اصلاح شده

شکل 2 نشان می دهد که چگونه خروجی با شاخص های 0 تا 6 در این حالت تشکیل می شود. شمارش هایی که در محاسبه مقدار متوسط شرکت می کنند ، معمولاً با نقاط رنگی در قسمت پایین شکل مشخص می شوند و خطوط عمودی نشان می دهد که این تعداد خروجی این میانگین اختصاص خواهد یافت. در نوار صفر هیچ پردازشی انجام نمی شود ، مقدار دنباله ورودی به خروجی اختصاص می یابد. برای دنباله خروجی با شاخص ها هفت یا محاسبات بیشتر با SMA معمول (15) Shift =- 7 انجام می شود.

بدیهی است که هنگام استفاده از چنین رویکردی ، نمودار خروجی در بازه شاخص از 0 تا 6 با هر وقوع نوار جدید دوباره ساخته می شود و شدت مجدد با کاهش شاخص افزایش می یابد. در همان زمان تأخیر برای هر تعداد توالی خروجی جبران می شود.

در مثال مورد تجزیه و تحلیل ، ما یک نشانگر بازسازی مجدد داریم که آنالوگ SMA استاندارد (15) است ، اما با تأخیر صفر و اطلاعات اضافی در لبه توالی ورودی که در SMA استاندارد وجود ندارد (15). با پذیرش تأخیر صفر و اطلاعات اضافی به عنوان یک مزیت ، با این وجود ما یک شاخص بازسازی مجدد داریم ، اما این از شاخص SMA استاندارد آموزنده تر است.

باید تأکید کرد که تغییر شکل مجدد در این مثال منجر به عواقب فاجعه بار نمی شود. در طرح نتیجه ، همان اطلاعات مربوط به SMA استاندارد وجود دارد که تعداد آن به سمت چپ منتقل شده است.

در مثال در نظر گرفته شده دوره SMA عجیب و غریب انتخاب شد ، که تأخیر در زمان را کاملاً جبران کرد ، که برای SMA است:

جایی که n یک دوره صاف کننده است.

با توجه به این که برای مقادیر حتی n تأخیر را نمی توان با استفاده از این روش به طور کامل جبران کرد و روش ارائه شده از هموار سازی شمارش در لبه توالی تنها امکان پذیر نیست ، نوع ساخت نشانگر فقط به عنوان نمونه در اینجا در نظر گرفته می شود، اما نه به عنوان یک شاخص کامل.

فریم چند وقت

در وب سایت های MQL4 و MQL5 می توانید شاخص های به اصطلاح Multi-TimeFrame را مشاهده کنید. بیایید سعی کنیم بفهمیم که چند زمان با نمونه ای از شاخص "IUNIMA MTF" به ما چه می دهد.

فرض کنید ما در پایین ترین پنجره بازه زمانی M1 قرار داریم و قصد داریم در همان پنجره باز یا بسته شده از مقدار زمانی M30 را نشان دهیم و از SMA (3) برای هموار سازی استفاده می کنیم. مشخص شده است که با نمونه گیری از هر سی و یکمین مقدار و از 29 مقدار باقی مانده ، فرم های توالی بازه زمانی M30 را از دنباله بازه زمانی M1 شناخته شده است. شک و تردید نشان می دهد که آیا استفاده از توالی بازه زمانی M30 منطقی است.

اگر ما به مقدار مشخصی از اطلاعات در بازه زمانی M1 دسترسی داشته باشیم ، پس تماس با M30 Timeframe چه چیزی است که فقط یک سی و سی نفر از آن اطلاعات را شامل می شود؟در مورد در نظر گرفته شده ، ما بیشترین اطلاعات موجود را از بین می بریم و آنچه را که از SMA (3) باقی مانده است پردازش می کنیم و نتیجه را در پنجره منبع بازه زمانی M1 نمایش می دهیم.

بدیهی است که اقدامات توصیف شده کاملاً عجیب به نظر می رسند. آیا استفاده از SMA (90) در دنباله کامل بازه زمانی M1 ساده تر نیست؟فرکانس برش SMA (90) در بازه زمانی M1 برابر با فرکانس برش SMA (3) در بازه زمانی M30 است.

در شکل 3 نمونه ای از استفاده از نشانگر چند زمان "IUNIMA MTF" در نمودار جفت ارز EURUSD M1 نشان داده شده است. منحنی آبی نتیجه استفاده از SMA (3) در دنباله بازه زمانی M30 است. در همان شکل ، منحنی رنگ قرمز نتیجه ای است که با نشانگر معمولی "میانگین متحرک" به دست می آید. از این رو نتیجه استفاده از شاخص استاندارد SMA (90) طبیعی تر است.

و هیچ تکنیک خاصی لازم نیست.

شکل 3. استفاده از نشانگر چند زمان

یکی دیگر از نوع استفاده از شاخص های چند زمانه استفاده می شود ، هنگامی که اطلاعاتی از کمترین بازه زمانی با توجه به جریان فعلی در یک ترمینال نشان داده می شود. اگر شما نیاز به فشرده سازی مقیاس نقل قول حتی بیشتر از آنچه که توسط ترمینال در پایین ترین بازه زمانی مجاز است ، این نوع می تواند مفید باشد. اما در این حالت نیز نمی توان اطلاعات اضافی در مورد نقل قول ها بدست آورد.

ساده تر کردن به پایین ترین بازه زمانی و رسیدگی به تمام پردازش داده ها با شاخص های منظم ، اما نه با موارد چند زمان.

هنگام توسعه شاخص های سفارشی یا مشاوران خبره ، موقعیت های ویژه ای می تواند رخ دهد ، هنگامی که سازمانی از دسترسی به توالی های مختلف بازه زمانی منطقی است و تنها راه حل ممکن است ، اما حتی در این حالت باید به یاد داشته باشیم که توالی های بازه زمانی بالاتر از پایین و پایین تشکیل می شودهیچ اطلاعات منحصر به فرد دیگری را حمل نکنید.

نمودارهای شمعدانی

در نشریات تحلیل فنی ما اغلب می توانیم رابطه هیجان زده با همه چیز مرتبط با نمودارهای شمعدانی را برآورده کنیم. به عنوان مثال ، در مقاله "تجزیه و تحلیل الگوهای شمعدان" گفته می شود: "مزیت شمعدان ها این است که آنها داده ها را به شکلی نشان می دهند که می توان حرکت در داده ها را مشاهده کرد". وادنمودارهای شمعدان ژاپنی می تواند به شما در نفوذ در "داخل" بازارهای مالی کمک کند ، که انجام آن با سایر روش های گرافیکی بسیار دشوار است.

و این تنها منبع چنین اظهارات نیست. بیایید سعی کنیم بفهمیم که آیا نمودارهای شمعدانی به ما اجازه می دهد تا وارد بازارهای مالی شویم.

توالی مقادیر "کم" ، "بالا" ، "باز" و "نزدیک" برای نمایش نرخ به شکل نمودارهای شمعدانی استفاده می شود. بیایید به یاد بیاوریم که این نوع ارزش ها چیست. مقادیر "کم" و "بالا" برابر با حداقل و حداکثر مقادیر نرخ در دوره بازه زمانی انتخاب شده است. مقدار "باز" برابر با اولین مقدار شناخته شده نرخ در دوره مورد تجزیه و تحلیل است. مقدار "نزدیک" برابر با آخرین مقدار شناخته شده نرخ در دوره مورد تجزیه و تحلیل است. این می تواند به چه معنی باشد؟

این در درجه اول بدان معنی است که در جایی نرخ بازار وجود دارد که از آن مقادیر "پایین" ، "بالا" ، "باز" و "نزدیک" تشکیل می شوند. مقادیر «کم» ، «بالا» ، «باز» و «نزدیک» در این روش شکل گیری آنها به شدت محدود به زمان نیست. علاوه بر این ، هیچ راهی برای بازگرداندن نرخ های اولیه توسط این سکانس ها وجود ندارد. جالب ترین چیز این است که همان ترکیب مقادیر «کم» ، «بالا» ، «باز» و «نزدیک» در هر نوار هر بازه زمانی می تواند توسط تعداد نامتناهی از انواع توالی نرخ اصلی تشکیل شود. این نتیجه گیری ها بی اهمیت و مبتنی بر حقایق شناخته شده است.

بنابراین در صورت استفاده از نرخ بازار به شکل نمودارهای شمعدانی ، اطلاعات اصلی به طور غیرقابل برگشت تحریف می شود. با استفاده از روشهای دقیق ریاضی تجزیه و تحلیل برای ارزیابی رفتار توسط هر یک از توالی های «کم» ، «بالا» ، «باز» یا «نزدیک» نتایج به نرخ بازار و نه به نمایش تحریف شده آنها متصل می شوند. با این وجود ، ما باید بپذیریم که تجزیه و تحلیل نمودارهای شمعدانی طرفداران بسیاری دارد.

چگونه می توان این توضیح را توضیح داد؟شاید راز این باشد که در ابتدا هدف نمایندگی نرخ ها به شکل نمودارهای شمعدانی ، تجزیه و تحلیل بازار بصری بصری سریع بود ، اما استفاده از روش های تجزیه و تحلیل ریاضی در نمودارهای شمعدانی نبود.

بنابراین ، برای درک اینکه چگونه نمایندگی نرخ به شکل نمودارهای شمعدانی را می توان با تجزیه و تحلیل فنی استفاده کرد ، بیایید به نظریه تشخیص الگوی ، که نزدیکتر به روشهای تصمیم گیری معمول انسانی است ، بپردازیم.

در شکل 4 ، با توجه به تئوری تشخیص الگوی ، طرح ساده ای از تصمیم گیری ترسیم شده است. یک تصمیم در این مورد می تواند تعریفی از روند شروع یا پایان لحظه و تشخیص لحظات بهینه برای باز کردن موقعیت لحظه های زمان و غیره باشد.

شکل 4. طرح تصمیم گیری

همانطور که در شکل 4 داده های اولیه (نرخ ها) نشان داده شده است و ویژگی های قابل توجهی از آنها در بلوک 2 شکل می گیرد. در مورد ما این مقادیر «پایین» ، «بالا» ، «باز» و «نزدیک» هستند. ما نمی توانیم روی فرآیندهای موجود در بلوک های 1 و 2 تأثیر بگذاریم. در سمت ترمینال فقط ویژگی هایی که از قبل برای ما اختصاص داده شده اند در دسترس هستند. این ویژگی ها به بلوک 3 می رسد ، جایی که تصمیماتی در پایگاه آنها گرفته می شود.

الگوریتم تصمیم گیری می تواند در نرم افزار یا به صورت دستی با رعایت دقیق به مشخصات اجرا شود. ما می توانیم الگوریتم های تصمیم گیری را توسعه دهیم و به نوعی پیاده سازی کنیم ، اما نمی توانیم ویژگی های قابل توجهی را از دنباله نرخ های تحلیل شده انتخاب کنیم ، زیرا این دنباله برای ما در دسترس نیست.

از جایی که احتمال تصمیم گیری صحیح را افزایش می دهد ، مهمترین چیز انتخاب ویژگی های مهم و مقدار اساسی آنها است ، اما ما این امکان مهم را نداریم. در این حالت ، برای تأثیرگذاری بر قابلیت اطمینان این یا تشخیص وضعیت بازار بسیار دشوار است ، زیرا حتی پیشرفته ترین الگوریتم تصمیم گیری قادر به جبران مضرات مرتبط با انتخاب غیر مطلوب ویژگی ها نیست.

با توجه به این طرح ، الگوریتم تصمیم گیری چیست؟در مورد ما ، این مجموعه ای از قوانینی است که در تحقیقات تجزیه و تحلیل نمودارهای شمعدان منتشر شده است. به عنوان مثال ، تعریف انواع نمودارهای شمعدانی ، افشای ترکیبات مختلف آنها به معنی و غیره.

با اشاره به تئوری تشخیص الگوی ، به این نتیجه می رسیم که تجزیه و تحلیل نمودارهای شمعدان متناسب با طرح این نظریه است ، اما ما دلیلی نداریم که ادعا کنیم انتخاب «پایین» ، «بالا» ، «باز» ومقادیر «بستن» به عنوان ویژگی های مهم بهترین است. همچنین ، یک انتخاب غیر بهینه از ویژگی ها می تواند به طور چشمگیری احتمال تصمیم گیری صحیح را در فرآیند تجزیه و تحلیل نرخ ها کاهش دهد.

با بازگشت به ابتدا ، می توانیم با اطمینان بگوییم که تجزیه و تحلیل نمودار شمعدان به سختی "در داخل" بازارهای مالی "نفوذ نمی کند یا" حرکت در داده ها را مشاهده می کند ". علاوه بر این ، کارآیی آن در مقایسه با سایر روشهای تجزیه و تحلیل فنی می تواند باعث شک و تردید جدی شود.

نتیجه

تجزیه و تحلیل فنی یک منطقه نسبتاً محافظه کارانه است. فرضیه های اساسی شکل گیری تجزیه و تحلیل فنی در قرن 18-19 شرکت کرد و این مبنای تقریباً بدون تغییر به روزهای ما رسید. در همان زمان طی یک دهه گذشته ، ساختار بازار جهانی در طول توسعه به طرز چشمگیری تغییر کرد. توسعه تجارت آنلاین به ماهیت رفتار بازار کمک کرده است.

در این شرایط ، حتی استفاده از محبوب ترین تئوری ها و روش های تجزیه و تحلیل فنی کلاسیک همیشه راندمان تجارت کافی را برای ما فراهم نمی کند.

با این وجود ، در دسترس بودن رایانه ها و علاقه به تجارت در بازارهایی که توسط افراد حرفه های مختلف نشان داده می شوند ، می توانند توسعه روش های تحلیل فنی را تحریک کنند. بدیهی است که امروز تجزیه و تحلیل بازار به توسعه ابزارهای تحلیلی دقیق تر و حساس تر نیاز دارد.

ترجمه شده از روسی توسط Metaquotes Ltd. مقاله اصلی: https://www. mql5. com/ru/articles/174

هشدار: کلیه حقوق این مواد توسط Metaquotes Ltd. کپی یا چاپ مجدد این مواد به طور کامل یا جزئی محفوظ است.