এই কৌশলটি প্রবণতা এবং অস্থিরতা নির্ধারণের জন্য বিভিন্ন সময়ের মধ্যে চলমান গড় এবং বৈচিত্র্য গণনা করে মূল্যের সর্বোচ্চ এবং সর্বনিম্ন চিহ্নিত করে।
এই কৌশলটির মূল যুক্তি হ'ল সাম্প্রতিক বিভিন্ন সময়ের মধ্যে চলমান গড় এবং বৈচিত্র্য গণনা করা। বিশেষত, এটি 5-দিনের, 4-দিনের এবং 3-দিনের চলমান গড় (মা, এমবি, এমসি) এবং বৈচিত্র্য (ডা, ডিবি, ডিসি) গণনা করে। এটি তারপরে আকারগুলি তুলনা করে এবং বর্তমান প্রবণতা উপস্থাপনের জন্য সর্বোচ্চ বৈচিত্র্য সহ সময়কাল নির্বাচন করে। অবশেষে, এটি চূড়ান্ত বক্ররেখা wg আউটপুট করতে প্রতিনিধিত্বমূলক সময়ের বর্গাকার বৈচিত্র্যকে এর চলমান গড় দ্বারা গুণ করে।
সুতরাং, যখন দাম উপরে বা নীচে ভেঙে যায়, তখন প্রতিনিধিত্বমূলক সময়কাল এবং এর বৈচিত্র্য উল্লেখযোগ্যভাবে পরিবর্তিত হবে, যার ফলে wg উল্লেখযোগ্যভাবে পরিবর্তিত হবে, উচ্চ এবং নিম্নের সনাক্তকরণ অর্জন করবে।
বিভিন্ন সময়ের উপর ভিত্তি করে প্রবণতা পরিবর্তনগুলি বিচার করার এই ধারণাটি কার্যকর এবং দামের inflection পয়েন্টগুলি পরিষ্কারভাবে সনাক্ত করতে পারে। একক সময়ের বিচারের তুলনায়, একাধিক সময়কালকে একত্রিত করা নির্ভুলতা এবং সময়মততা উন্নত করতে পারে।
চলমান গড় এবং বৈচিত্র্য গণনা করাও সহজ এবং দক্ষ। ছোট কোড আকারের সাথে, এটি হঠাৎ মূল্য পরিবর্তনের জন্য অত্যন্ত সংবেদনশীল এবং দ্রুত ব্রেকআউট সনাক্ত করতে পারে।
এই কৌশল ব্যবহার করা সময়কালগুলি সংক্ষিপ্ত। মাঝারি থেকে দীর্ঘমেয়াদী উদ্দেশ্যে, রায়টি যথেষ্ট সঠিক এবং ব্যাপক নাও হতে পারে। স্বল্পমেয়াদী দামের ওঠানামা ভুল রায়ের কারণ হতে পারে।
এছাড়াও, চলমান গড় এবং বৈচিত্র্যের ওজন বিচার ফলাফলকে প্রভাবিত করে। যদি ভুলভাবে সেট করা হয়, সংকেতগুলি পক্ষপাতমূলক হতে পারে।
বিচারকে আরও ব্যাপক করার জন্য বিভিন্ন দৈর্ঘ্যের আরও সময়সীমা যোগ করা যেতে পারে, উদাহরণস্বরূপ, মাঝারি থেকে দীর্ঘমেয়াদী উদ্দেশ্যে 10 দিন, 20 দিন।
ওজন নির্ধারণকে আরও নমনীয় করার জন্য ওজনগুলির বিভিন্ন স্কিমও পরীক্ষা করা যেতে পারে। ভুল মূল্যায়নের সম্ভাবনা হ্রাস করার জন্য বাজারের অবস্থার উপর ভিত্তি করে ওজনগুলি স্বয়ংক্রিয়ভাবে সামঞ্জস্য করতে প্যারামিটার অপ্টিমাইজেশন চালু করা যেতে পারে।
এছাড়া, অস্বাভাবিক ট্রেডিং ভলিউমের মতো অন্যান্য সূচক অন্তর্ভুক্ত করা যেতে পারে, যাতে arbitrage trading দ্বারা বিভ্রান্ত না হয়।
এই কৌশলটির সামগ্রিক যুক্তি পরিষ্কার এবং সহজেই বোঝা যায়, মূল্যের প্রবণতা এবং অস্থিরতা বিচার করতে চলমান গড় এবং বৈচিত্র্য ব্যবহার করে এবং তারপরে সেগুলিকে একত্রিত করে একটি বক্ররেখা আউটপুট দেয় যা উচ্চ এবং নিম্নকে স্পষ্টভাবে সনাক্ত করতে পারে। এই জাতীয় বহু-অবধি সম্মিলিত বিচার কার্যকরভাবে স্বল্প ও দীর্ঘমেয়াদী উভয় বাজার বৈশিষ্ট্যকে ক্যাপচার করতে পারে, inflection point detection এর নির্ভুলতা উন্নত করে। কৌশলটিকে আরও শক্তিশালী এবং ব্যাপক করতে সময়কাল, ওজন এবং সূচক ইত্যাদির মতো দিক থেকে অপ্টিমাইজেশনের জন্যও প্রচুর জায়গা রয়েছে।
/*backtest start: 2024-02-12 00:00:00 end: 2024-02-19 00:00:00 period: 12h basePeriod: 15m exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}] */ //@version=3 strategy("x²", overlay=false) a1=(close[2]-close[3])/1 a2=(close[1]-close[3])/4 a3=(close[0]-close[3])/9 b1=(close[3]-close[4])/1 b2=(close[2]-close[4])/4 b3=(close[1]-close[4])/9 b4=(close[0]-close[4])/16 c1=(close[4]-close[5])/1 c2=(close[3]-close[5])/4 c3=(close[2]-close[5])/9 c4=(close[1]-close[5])/16 c5=(close[0]-close[5])/25 ma=(a1+a2+a3)/3 da=(a1-ma)*(a1-ma) da:=da+(a2-ma)*(a2-ma) da:=da+(a3-ma)*(a3-ma) da:=sqrt(da) da:=min(2, da) da:=1-da/2 da:=max(0.001, da) mb=(b1+b2+b3+b4)/4 db=(b1-mb)*(b1-mb) db:=db+(b2-mb)*(b2-mb) db:=db+(b3-mb)*(b3-mb) db:=db+(b4-mb)*(b4-mb) db:=sqrt(db) db:=min(2, db) db:=1-db/2 db:=max(0.001, db) mc=(c1+c2+c3+c4+c5)/5 dc=(c1-mc)*(c1-mc) dc:=dc+(c2-mc)*(c2-mc) dc:=dc+(c3-mc)*(c3-mc) dc:=dc+(c4-mc)*(c4-mc) dc:=dc+(c5-mc)*(c5-mc) dc:=sqrt(dc) dc:=min(2, dc) dc:=1-dc/2 dc:=max(0.001, dc) g=close if(da>db and da>dc) g:=da*da*ma else if(db > da and db > dc) g:=db*db*mb else g:=dc*dc*mc wg=wma(g, 2) plot(wg) plot(0, color=black) longCondition = true //crossover(sma(close, 14), sma(close, 28)) if (longCondition) strategy.entry("My Long Entry Id", strategy.long) shortCondition = true //crossunder(sma(close, 14), sma(close, 28)) if (shortCondition) strategy.entry("My Short Entry Id", strategy.short)