تجزیه و تحلیل الگوهای هارمونیک

تجزیه و تحلیل الگوهای هارمونیک در سری زمانی فارکس

بازار

تجزیه و تحلیل الگوهای هارمونیک در سری زمانی

بازار فارکس

doi: 10/lajdv3n3-0 52

رسید Originals: 01/05/202 1 پذیرش برای انتشار: 31/06/

Leandro Coelho de Souza دکتر محاسبه موسسه فعلی: دانشگاه ایالتی باهیا آدرس کامل: گروه علوم دقیق و زمین ، Rua Silveira Martins ، 2555 ، Cabula. کد پستی: 41-000-Salvador-Ba E-Mail: Leandrocoelho@Uneb Victor Silveria Ribeiro لیسانس سیستم های اطلاعاتی موسسه فعلی: دانشگاه ایالتی بایا آدرس کامل: گروه علوم دقیق و زمین ، خیابان سیلویرا مارتینز ، 2555 ، Cabula. کد پستی: 41-000-Salvador-Ba E-Mail: Silveiravictor97@Gmail Diego Frias Suarez Doctor در مدل سازی محاسباتی موسسه فعلی: دانشگاه ایالتی باهیا آدرس کامل: گروه علوم دقیق و زمین ، Rua Silveira Martins ، 2555 ، Cabula. کد پستی: 41-000-SALVADOR-BA E-MAIL: DIEGOFIAS@UNINEB

یک محیط چالش برانگیز برای تحقیق ، رفتار سری زمانی بازار مالی ، به ویژه بازار سهام و بازار فارکس است که در مذاکرات مبادله ارز تخصص دارد. نوسانات قیمت در هر دو بازار به عنوان سری زمانی غیر خطی ، تصادفی یا موقت هرج و مرج و همچنین به عنوان یک سیستم پیچیده طبقه بندی شده است. ویژگی های سازگاری و استحکام سیستم های پیچیده در بازار مالی ایجاد امواج در قیمت دارایی منعکس شده است. به همین دلیل ، تکامل زمانی قیمت ها شکلی شبیه به توالی امواج دوره ها و دامنه های مختلف را نشان می دهد. برخی از معامله گران خاطرنشان کرده اند که دو موج متوالی الگویی شبیه به M را تشکیل می دهند و با حرکت به جلو یک چهارم از دوره موج اول ، الگویی شبیه به W بدست می آید. از منابع تأیید نشده گزارش شده است که این الگوهای نوسان ، به نام هارمونیک ، اغلب در قیمت سهام و ارزی یافت می شوند. بنابراین ، این استانداردها در حال حاضر به عنوان شاخص های فنی برای معامله گران مورد استفاده قرار می گیرند. با این حال ، هیچ سیستماتیک آماری ریاضی وجود ندارد که بتواند فرکانس وقوع الگوهای هارمونیک را به خود اختصاص دهد ، همانطور که هیچ خصوصیات پارامتری عمومی از الگوهای هارمونیک نوع M و W در ادبیات مورد بررسی وجود ندارد. در این مقاله ، ما به این دو شکاف شناختی در این زمینه مهم دانش می پردازیم. اول ، ما ویژگی های مورفولوژیکی محبوب ترین الگوهای هارمونیک را شرح می دهیم ، و به دنبال آن یک پارامتر گسسته که امکان اختصاص یک عدد صحیح را به هر الگوی هارمونیک می دهد. سرانجام ، اجرای یک

روش ساده ، بستگی به یک پارامتر ، برای تشخیص قله ها و مقادیر امواج قیمت ، ما در جستجوی الگوهای هارمونیک در مناطق مختلف ارز ، که فرکانس بروز هر یک از آنها را به حساب می آوریم. از ارتباط الگوهای مردمی با تعداد مربوطه در طبقه بندی معرفی شده ، نتیجه می گیریم که تنها یکی از الگوهای رایج احتمال وقوع فراتر از بی اهمیت است ، در عین حال که بیشترین الگوهای موجود در دارایی های مورد مطالعه را شناسایی می کنیم.

کلمات کلیدی: فارکس ، الگوهای هارمونیک ، سری مالی **. **

1. معرفی

ویژگی های سازگاری و استحکام (خود تنظیم) ویژگی های سیستم های پیچیده در بازار مالی ایجاد امواج در قیمت دارایی ها منعکس می شود (فراری 2005 ، 73-76) (وانگ و همکاران 2006 ، 1-2) (ویکفیلد 2001 ، 5-12) (Eguíluz ، and Zimmerma 2000 ، 1). الگوهای نوسان ، به نام Harmonics ، برای اولین بار در سال 1935 در بازار سهام آمریکا گزارش شد (گارتلی 1935 ، 1-33). تشخیص این الگوهای هارمونیک برای هدایت استراتژی های معاملاتی هم در بورس سهام و هم در بازار ارز (بازار ارزی - فارکس) (کارنی 2010 ، 109-127) کمک کرده است ، اما به بهترین دانش و اعتقاد ماهیچ کار علمی وجود ندارد که با وجود بزرگترین بازار مالی در جهان ، جستجوی این الگوهای در سری زمانی بازار فارکس را انجام دهد ، و به مبلغ معاملات روزانه که بیش از 6 تریلیون دلار باشد ، دست می یابد (تسویه حساب 2019 ، 3). در مقایسه ، این حجم 25 برابر از حجم معاملات جهانی سهام فراتر می رود. در این بازار ، بانک ها ، صندوق های سرمایه گذاری ، آژانس ها و سرمایه گذاران می توانند ارزهای یک کشور را با ارز از کشور دیگر با نرخ ارز در زمان معامله خریداری و بفروشند. علیرغم عدم وجود آثار منتشر شده ، این نوع الگوی در سری زمانی فارکس را تأیید می کند ، این واقعیت که از آنها در عمل استفاده می شود ، به معنای وجود آنها به روشی منظم و رضایت بخش است ، که نشان می دهد این الگوهای توسط اصولی تولید می شود که حاکم بر پویایی عملکرد در آن است. بازارها و روانشناسی که بر معامله گران تأثیر می گذارد (Wakefield 2001 ، 5-12) (Eguíluz ، and Zimmerma 2000 ، 1-2). یک پدیده جالب که مشاهده می شود این است که به الگوهای گرافیکی نامهای کمی دانشگاهی داده می شود (راهنماهای استراتژی تجارت ، 2021) ، به عنوان مثال الگوی به اصطلاح "شانه شانه" در واقع به انتقال از تقاضا (زیاد) اشاره داردعرضه (کم) و الگوی "پروانه" برای دو دوره متوالی با نوسانات قیمت بالا و پایین شکل می گیرد و به صورت گرافیکی چیزی مانند بال یک پروانه را تشکیل می دهد که قله های بالا و پایین را به هم پیوند می دهد و به وضوح تخیل را به کار می گیرد. الگوی "خفاش" و "خرچنگ" نیز به طور گسترده در نشریات غیررسمی جوامع تجاری ذکر شده است. کاربرد عملی این الگوهای این است که آنها لحظه ای را نشان می دهند که روند قیمت فعلی (آخرین الگوی) باید به پایان برسد و یک روند مخالف جدید را آغاز کند ، و همچنین چه ارزش قیمت دارد

این مقاله به شرح زیر سازماندهی شده است: بخش دوم تاریخچه مختصری از نشریات را ارائه می دهد که به شکل گیری الگوهای هارمونیک در بازار فارکس پرداخته و ویژگی های اصلی آنها را توصیف می کند. در مرحله بعد ، بخش سوم به توصیف روشهای توسعه یافته برای تشخیص ، شناسایی و طبقه بندی الگوهای هارمونیک در این کار اختصاص یافته است. در بخش چهارم نتایج ارائه شده و مورد بحث قرار می گیرد ، بسته شدن در بخش V با نتیجه گیری کار.

2 الگوی هارمونیک در فارکس کار پیشگام (گارتلی 1935 ، 7-10) الگوهای هارمونیک را در بورس سهام به عنوان ابزاری برای پیش بینی روندهای بالا و پایین معرفی کرد. وی درک کرد که پیوستن به پنج قله و دره های متوالی که اغلب با شکل هایی شبیه به حروف "M" و "W" شکل می گیرد و فاصله عمودی بین دو افراط پی در پی نسبت به مسافت های عمودی بین دو افراط قدامی ، نسبتاً متناسب نگه داشته می شود. در شکل 1 طرح که الگوی Gartley M شکل را تعیین می کند با اندازه متوسط (ارتفاع = اختلاف قیمت بین افراط و تفریط) هر بخش به عنوان نسبت (ضرایب) از اندازه بخش قبلی نشان داده شده است.

شکل 1. بازنمایی شماتیک الگوی گارتلی M.

توجه به برخی از مشاهدات مهم توجه می شود: (i) دو نوع الگوی گارتلی وجود دارد: گارتل ی-1 وقتی ضریب اول برای دو بخش آخر قبل از میلاد و سی دی انتخاب می شود و گارتلی 2 هنگام انتخاب ضریب دوم.(ب) الگوی گارتلی W با ایجاد بازتاب از نشت افقی اطراف ، ثابت نگه داشتن ضرایب. به همین دلیل ، فقط از الگوهای نوع M در اینجا استفاده می شود ، به جز چند استثنا.(iii) به اصطلاح ضد الگوی وجود دارد که همان الگوهای هستند ، اما از راست به چپ مانند یک آینه عمودی دیده می شوند. در این کار ، به دلیل محدودیت های فضا ، ضد الگوی درمان نمی شود.(IV) فاصله افقی بین نقاط در نظر گرفته نمی شود ، که نشان دهنده زمان لازم برای رسیدن به اوج در دره بعدی یا برعکس است. در این روش ممکن است الگوهای

اشکال بسیار متفاوت ، به عنوان مثال ، برش یافته تر یا بریده شده تر ، که متعلق به همان کلاس است ، اما شناسایی بصری آن امکان پذیر نیست.(v) همه مراجعان شامل ضریب چهارم هستند که آخرین نقطه D را به بخش اول ، XA مرتبط می کند. با این حال ، موقعیت نسبی D به طور منحصر به فرد توسط سه ضرایب اول تعیین می شود ، بنابراین ضریب چهارم غیر ضروری است ، همانطور که در زیر استنباط می شود: با بیان ضرایب الگوهای چپ به راست به عنوان CI ، I = 1،2،3،4بشرسپس برای یک الگوی نوع M ما این را داریم که اندازه بخش های AB ، BC و CD و موقعیت های نسبی افراط و تفکرات B ، C و D توسط:

ab = c 1 xa ، b = a −ab bc = c 2 ab ، c = b +bc cd = c 3 bc ، d = c −cd

(1)

بنابراین ، موقعیت نسبی نقطه D توسط: d = a −ab + bc - cd (2) داده می شود

و سپس فاصله بین افراط های A و D توسط: AD = AB - BC + CD (3) داده شده است

جایگزین اندازه بخش ها و گروه بندی با هم ، ما به دست می آوریم: AD = C 1 (1 - C 2 (1 - C 3)) XA (4)

بنابراین ضریب چهارم به عنوان تابعی از سه اول تعریف می شود: C 4 = C 1 (1 - C 2 (1 - C 3)) (5)

به همین دلیل ، تعریف ضریب چهارم نه تنها غیر ضروری است ، بلکه می تواند بازسازی الگوی تعریف شده توسط سه ضرایب اول را غیر ممکن ایجاد کند (اگر ضریب چهارم داده شده همزمان باشد ، حداقل تقریباً ، با نتیجه محاسبه شده توسط نتیجهفرمول 5).

2 استفاده از الگوهای هنگامی که یک الگوی M تکمیل می شود (یعنی شکل گرفته است) ، یک روند پایدار به طور کلی آغاز می شود که منجر به خرید می شود. به همین ترتیب ، هنگامی که الگوی W از نوع W ایجاد می شود ، یک روند نزولی پایدار به طور کلی آغاز می شود ، که منجر به فروش می شود. از نظر آماری ، به گفته نویسندگان اصلی (کارنی

شکل 4. بازنمایی 10 الگوی 5 نقطه ای که بیشتر در فارکس استفاده می شود

It was observed that the other pattes belong to the same family as the Gartley patte, since they all have C 3 >1. با این حال ، به طور کلی آنها واگرا تر هستند و به طور قابل توجهی اندازه بخش ها را با گذشت زمان افزایش می دهند. الگوهای واگرایی جالب تر است زیرا آنها نشان دهنده افزایش آشفتگی در بازار است که سودآوری را به نفع خود می کند و خطرات را کاهش می دهد. الگوهای همگرا ، مانند الگوی واگرایی ضد الگوهای ، کاهش فعالیت بازار را نشان می دهد که برای تجارت ایمن مناسب نیست. سرانجام ، شایان ذکر است که برخی از تحلیلگران از الگوهای با امتیاز کم و بیش از گارتلی استفاده می کنند ، بین سه تا هفت امتیاز متفاوت است ، اما آنها به اندازه پنج الگوی پنج امتیاز محبوب نیستند. به همین دلیل ، این کار بر الگوهای هارمونیک پنج نقطه ای متمرکز شده است.

3 مواد و روش 3 سری زمانی که برای بررسی فراوانی ظاهر الگوهای هارمونیک مورد استفاده در فارکس استفاده می شود ، هر دو به شکل M و W ، سری زمانی جفت ارز EUR/USD در دوره از 10 اکتبر مورد تجزیه و تحلیل قرار گرفت. 2016 تا 21 آوریل 2017 ، که دقیقاً 27 هفته است. برای انتخاب فاصله زمانی و جفت ارز ، مطالعه داده های موجود برای تضمین استمرار زمانی این سری انجام شد. هم دوره و هم جفت ارز انتخاب شده مواردی بودند که طولانی ترین بازه زمانی با داده های مداوم در پایگاه داده ساخته شده توسط گروه تحقیق یافت شد. این پایگاه داده با ذخیره داده های به دست آمده در یک سرور اختصاصی از سال 2016 به طور انحصاری برای جمع آوری داده های فارکس بدست آمد. سرور از طریق ترمینال Metatrader 4® (MT4) به سرور داده یک کارگزار قابل اعتماد از طریق یک حساب واقعی متصل شد. تلفات اتصال علل ناپیوستگی سری زمانی نظارت شده است.

3 تشخیص و شناسایی الگوهای هارمونیک

تشخیص الگوی با شناسایی افراط و تفریط محلی متناوب (اوج-دره-اوج یا دره-دره-واللی) در سری زمانی انجام می شود. روش های مختلفی برای تشخیص افراط و تفریط در زمان واقعی وجود دارد ، مانند شاخص های روند و نوسان ساز (لوپز 2015 ، 5-10) (آلفائی ، هاموودا ، و رمضان 2013،142) (سیم ، کم ، Fei-Ching 2010 ، 1-2)، اما همه تأخیر دارند که می تواند اثربخشی استراتژی تجارت را به خطر بیاندازد و حتی بدتر این است که تأخیر همیشه یکسان نیست. به همین دلیل ، یک روش ساده مبتنی بر آستانه تغییر قیمت مخالف استفاده شد ، به نام "فاصله معکوس روند" (DIT) و در PIPS (واحدهای تغییر قیمت) داده می شود. پس از شناسایی روند اولیه ، این سریال جارو می شود و بهترین مقدار حاصل در روند فعلی و همچنین بزرگترین تفاوت قیمت در رابطه با بهترین ارزش را به روز می کند. هر بار که اختلاف از DIT تعریف شده فراتر می رود ، در نظر گرفته می شود که روند قبلی در زمان به دست آمده بهترین ارزش به دست می آید و یک روند جدید (برعکس) در حال وقوع است. اولین الگوی هارمونیک هنگامی شکل می گیرد که 5 افراط اول مشخص می شود و از آن لحظه به بعد ، هر بار که یک افراط جدید مشخص می شود ، پنج افراط آخر یک الگوی هارمونیک جدید در نظر گرفته می شوند. برای ارزیابی تأثیر DIT در فرکانس مطلق و نسبی تشکیل الگوی چهار مقدار از DIT ها استفاده شد: 100 ، 200 ، 400 و 600 پیپ. برای دوره مورد تجزیه و تحلیل ، تعداد افراط محلی (EJ) و تعداد الگوهای NJ = EJ− 4 برای هر DITJ محاسبه شد ، J = 1،2،3،4. نیمی از نوع M و نیمی از نوع W یافت شد. همانطور که انتظار می رود ، تعداد الگوهای موجود به طور معکوس به DIT مورد استفاده بستگی دارد که منعکس کننده ماهیت چند مقیاس پدیده پیچیده ای است که بازار مالی است (میلر و پاگ 2007 ، 9-27). در این زمینه ، برای تخمین تعداد الگوهای موجود در هفته در جفت ارز یورو دلار با توجه به DIT ، به منظور گسترش مطالعه به سایر جفت های ارزی در آینده. پس از شناسایی یک الگوی ، مشخص می شود. تمام الگوهای هارمونیک تشکیل شده با مقایسه سه (3) نسبت بخش آنها با نمونه های 10 الگوی مورد مطالعه (نشان داده شده در شکل 4) تجزیه و تحلیل می شود. یک شناسایی مثبت دلالت بر این دارد که در محدوده تحمل خاصی ، 3 نسبت الگوی موجود با یکی از 10 استاندارد مرجع مطابقت دارد. اگر اینگونه نباشد ، الگوی یافت شده در این مرحله از مطالعه ناشناخته است.

3 طبقه بندی الگوهای هارمونیک بر خلاف شناسایی الگوهای با شباهت با ویژگی های مجموعه ای از الگوهای مرجع ، طبقه بندی الگوها دامنه بیشتری دارد و این امکان را برای کشف مجموعه کلاسهای شرح داده شده توسط الگوهای هارمونیک موجود در سری زمانی مورد مطالعه قرار می دهدبشر

شکل 5. تأثیر DIT (از بالا به پایین 200 ، 400 و 600 پیپ) بر تعداد افراط و تفریط متناوب موجود در دوره از 10 تا 1 3-2016 تا 11-1-2016. خط جامد به انتهای یافت شده در هنگام جابجایی انجام می شود

در دوره نشان داده شده در شکل 5 ، 25 افراط برای DIT = 200 ، 9 برای DIT = 400 و فقط 3 برای DIT = 600 یافت شد. در کل دوره مورد تجزیه و تحلیل ، 1051 افراط برای DIT = 100 ، 4121 برای DIT = 200 ، 144 برای DIT = 400 و 74 برای DIT = 600 یافت شد ، همانطور که در شکل 6 نشان داده شده است.

شکل 6. تعداد افراط و تفریط بسته به فاصله وارونگی (DIT) ، در جفت ارز EUR/USD در دوره از 10 تا 1 0-2016 تا 04- 2 1-2017.

در نتیجه این مطالعه ، می توان یک تابع قدرت را پیدا کرد که امکان تخمین تعداد افراط (یا الگوهای) را که می توان در هفته کار در جفت ارز EUR/USD یافت ، بسته به DIT مورد استفاده ، امکان پذیر است.

n (DIT) = DIT 35564 1. 464 (9)

این اطلاعات برای معامله گران فارکس بسیار مهم است زیرا حداکثر فرکانس هفتگی عملیات ممکن را با استفاده از الگوهای هارمونیک تعریف می کند ، و برجسته می کند که این حداکثر فرکانس است ، زیرا تمام الگوهای موجود در الگوهای شناخته شده مانند گارتلی یا سایر مواردی که در آن مورد مطالعه قرار می گیرند ، شناخته نمی شونداین کار. بنابراین ، بخش دوم کار با تمرکز بر تعیین تعداد الگوهای موجود از نوع شناخته شده ای بود.

4 فرکانس الگوی گارتلی برای مرتبط کردن سازندهای M و W موجود در این سری با الگوی گارتلی ، مقدار تحمل 10 −2 با در نظر گرفتن دقت 3 مکان اعشاری که با آن ضرایب الگوی منتشر شد ، اتخاذ شد (گارتلی 1935 ، 389-424). با این حال ، با وجود استفاده از تحمل های بسیار بیشتر ، هیچ الگوی گارتلی در 27 هفته مورد تجزیه و تحلیل با هر یک از 4 بخش در نظر گرفته شده یافت نشد. از آنجا که هیچ یک از الگوهای یافت شده به اندازه کافی شبیه به الگوی مرجع مورد استفاده نبود (به عنوان مثال ، هنگامی که 3 ضرایب متناسب بخش ها در نظر گرفته شد) ، تصمیم گرفته شد که آیا حداقل الگوهای پیدا شده است که دارای دو ضرایب اول در محدوده است. منتشر شده توسط گارتلی د مطابق با تحمل پذیرفته شده. سپس این سؤال به شرح زیر رسید: چند استاندارد معیار اول (C 1 = 0. 618 ± 01) را رعایت می کند و از این تعداد معیار دوم (C 1 = 0. 0. 0. 01) با چندین مکان ملاقات می کند.؟با تجزیه و تحلیل این سؤال ، با توجه به DIT = 100 پیپ ، مشاهده شد که 1،051 الگوی هارمونیک شناسایی شده است که تنها 12 مورد از این الگوهای (1 ٪) با معیار اول و از این تعداد ، فقط 3 الگوی (25 ٪) معیار دوم را برآورده می کنند. تکرار مطالعه با DITS بالاتر (200 ، 400 و 600 پیپ) ، هیچ الگویی یافت نشد که شرایط دوم را برآورده کند و برای فاصله وارونگی 600 پیپ ، هیچ الگویی با شرایط اول مطابقت نداشته است. این نتایج تأیید کرد که در سری زمانی جفت ارز EUR/USD ، بیشترین معامله در فارکس ، حداقل در طول 27 هفته متوالی در نظر گرفته شده ، الگوهای گارتلی که در دهه 1930 در بورس اوراق بهادار یافت ، واقعاً یافت نشد.

4 فرکانس الگوی کارنی و اوگلسبی همان مطالعه با 8 الگوی هارمونیک اسکات کارنی انجام شد ، که از این تعداد 6 در شکل 4 و با 2 الگوی Oglesbee نشان داده شده است ، اما هیچکدام در دوره مورد مطالعه در سری زمانی EUR/USD یافت نشد. با استفاده از روش شرح داده شده ، با تحمل حداکثر 0 در ضرایب.

شکل 7. هیستوگرام فرکانس الگوهای موجود با فاصله وارونگی 200 پیپ و k = 12.

همانطور که در جدول اول مشاهده می شود ، بیشتر الگوهای جستجو شده متعلق به خانواده بزرگ 1 است ، به جز دو الگوی پروانه ای که متعلق به خانواده بزرگ هستند. این همزمان با نظر اکثر متخصصان تحلیل فنی که در عمل تأیید کرده اند ، همزمان است، این که الگوهای پروانه شایع ترین هستند. در 418 الگوی یافت شده ، 113 الگوی مختلف وجود دارد که از این تعداد 39 الگوی فقط یک بار (34 ٪) ظاهر می شوند. 36 ٪ از 74 الگوی باقیمانده بیش از 9 بار و 70 ٪ بیشتر از 4 بار ظاهر شد. از 418 الگوی موجود در سری زمانی ، 11 با کد 15 طبقه بندی شده اند که الگوهای متعلق به آنها هستند: گارتل ی-1 ، کوس ه-1 و رم ز-1. این تنها 2 ٪ از الگوهای را نشان می دهد. الگوی Gartley-2 ، که کد 3 را با الگوی BAT-1 به اشتراک می گذارد ، فقط یک بار ظاهر شد (~0 ٪)به طور خلاصه ، الگوهای گارتلی کمتر از 3 ٪ الگوهای هارمونیک موجود با DIT = 200 پیپ و k = 12 است. در شکل 8 فرکانس تمام الگوهای موجود در اولین خانواده بزرگ را نشان می دهیم که موقعیت دو الگوی گارتلی را نشان می دهد. فقط 9 نفر از 12 خانواده در این خانواده بزرگ حضور دارند ، خانواده های K 2 = 2،3،4 بیشترین از بالاترین تا پایین ترین هستند. متداول ترین الگوی در خانواده 2 همسایه الگوی گارتل ی-1 است که دارای کد 14 است. الگوی گارتل ی-1 دومین مورد در خانواده خود است ، اما گارتلی 2 قابل توجه نیست.

شکل 8. هیستوگرام فرکانس الگوهای خانواده اول که با فاصله وارونگی 200 پیپ و k = 12 یافت می شود.

فرکانس های الگوهای گارتلی و کارنی در جدول II نشان داده شده است.

جدول II: فراوانی الگوهای هارمونیک گارتلی ، کارنی و اوگلسبی به ترتیب الگوی فرکانس ظاهر کد فرکانس فرکانس ٪ کد فرکانس کد ٪ کوسه 1 15 11 2 Butterfly1 147 6 1. Shar k-2 28 2 0 Butterfly2 161 3 0. Cipher-1 15 11 2 BAT-1 3 1 0. CIPHE R-2 28 2 0 BAT-2 17 6 1. GARTLEY1 15 11 2 GART-1 4 1 0. GARTLEY2 3 1 0 GRAB-2 19 1 0. TOTAL 38 9 TOTAL18 4.

الگوهای جستجو شده تنها 56 از کل 418 الگوی موجود است که 13 ٪ را نشان می دهد. تنها الگوهای متعلق به خانواده دوم ، که یکی از آنها با بالاترین فرکانس است ، الگوهای پروانه ای هستند که از 56 بار 9 بار (16 ٪) 9 ظاهر می شوند. از 418 الگوی یافت شده ، 39 فقط یک بار ظاهر شد ، 24 بار 2 بار ظاهر شد ، 12 بار 3 بار ظاهر شد و 38 بار بیش از 3 بار ظاهر شد. در جدول III کد و تعداد وقایع 10 الگوی شایع را نشان می دهیم. این الگوهای تقریباً 33 ٪ از 379 الگوی ، از کل 418 الگوی را نشان می دهد که بیش از یک بار ظاهر می شوند و در کارهای آینده عمیق تر مورد مطالعه قرار می گیرند.

جدول III: کد ، خانواده بزرگ و فرکانس 10 الگوی شایع (از بزرگترین تا پایین ترین). کد خانواده فرکانس بزرگ کد خانواده فرکانس بزرگ 158 2 17 159 2 12 170 2 16 15 1 11 14 1 13 26 1 11 146 2 13 169 2 11 302 3 13 181 2 11

برای نهایی کردن این مرحله از مطالعه ، ما تنوع الگوهای موجود در یک کد مشابه را تجزیه و تحلیل می کنیم.

هدف سود تعریف شدههمچنین می توان تجزیه و تحلیل کرد که آیا بین ارتفاع روند بالایی که از این الگوی پیروی می کند و ارتفاع آخرین رکود الگوی 158 ، ارتباطی وجود دارد.

5 نتیجه گیری وقوع الگوهای هارمونیک در بازار فارکس موضوعی است که هنوز توسط جامعه علمی روشن نشده است. به همین دلیل ، سری زمانی بازار فارکس مورد تجزیه و تحلیل قرار گرفت و به دنبال الگوهای اصلی هارمونیک شرح داده شده در ادبیات بود ، اما هیچ یک از این الگوهای یافت نشد. با توجه به این وضعیت ، روش جدیدی برای طبقه بندی الگوهای هارمونیک در سری های مالی تدوین شد. نتایج تجربی نشان داده است که روش توسعه یافته امکان سازماندهی طیف الگوهای در خانواده های مجموعه های نامتناهی از الگوهای متفاوت از نظر مورفولوژیکی را فراهم می کند. یک تابع قدرت نیز پیشنهاد شده است که امکان محاسبه دقیقاً تعداد الگوهای موجود در هر هفته معاملاتی را در جفت ارز یورو/USD محاسبه می کند. این اطلاعات برای معامله گران فارکس بسیار مهم است زیرا حداکثر فرکانس معاملات هفتگی ممکن را با استفاده از الگوهای هارمونیک تعریف می کند.

منابع

Alrefaie Mohamed ، Hamouda Alaa-aldine و Rabie Rabie. 2013. "یک عامل هوشمند برای تجارت و پیش بینی بازار ارز."2013 سمپوزیوم IEEE در زمینه اطلاعات محاسباتی برای راه حل های مهندسی (CIES) ، سنگاپور: 141-148. https: doi/10. 1109/cies. 2013.

بانک برای تسویه حساب بین المللی. 2019. "بررسی بانک مرکزی سه ساله: گردش مالی ارز در آوریل 2019" ، بخش پولی و اقتصادی ، 16 سپتامبر 2019: 1-21. https: www. bis/آمار/rpfx19_fx. pdf

کارنی اسکات. 2010. تجارت هارمونیک: جلد یک سود از نظم طبیعی بازارهای مالی. نیوجرسی: آموزش پیرسون.

Eguíluz Victor ، و Zimmerma Martin. 2000. "انتقال اطلاعات و رفتار گله: برنامه ای برای بازارهای مالی."نامه های بررسی فیزیکی 85 ، 5659-5662. https: doi/10. 1103/physrevlett. 85. 5659.

گارتلی هارولد. 1935. سود در بورس سهام. پومروی ، واشنگتن: انتشارات لامبرت-گان.

López Alejandro. 2015. "Modelos Predictivos Para el Mercado Forex."MSC Diss. ، دانشکده de Matemáticas ، Universidad de Murcia.

میلر جان ، و پیج اسکات. 2007. سیستم های تطبیقی پیچیده: مقدمه ای بر مدلهای محاسباتی زندگی اجتماعی. پرینستون ، نیوجرسی: انتشارات دانشگاه پرینستون.

Rojo Ferrari ، S. 2005. "La Complejidad: Un Nuevo Enfoque de la Economya Financiera" ، en Contaduría y Administración ، 73-99.

سیم کوان ، کم C. و Fei-Ching Kuo. 2010. "تشخیص گسلها در محاسبات شاخص فنی برای تجزیه و تحلیل بازار مالی" ، دومین کنفرانس بین المللی علوم و مهندسی اطلاعات ، Hangzhou: 2749-2754. https: doi/10. 1109/icise. 2010. 5689221.

TradingStrategyGuides. 2021. "استراتژی تجارت الگوی هارمونیک پروانه". 28 آوریل ، 2021. HTTPS: TradingStrategyGuides/Butterfly-Harmonic-Patte-Trate-Strategy/

TradingView. 2019. "پیش بینی ها و تجزیه و تحلیل: Cypher". دسترسی به 1 مه 2019. https: www. tradingview/ایده ها/cypherpatte/

ویکفیلد جولی. 2001. "مدل تجاری پیچیدگی. فیزیک بخشی ، شعر بخشی-انضباط تازه کار فرصت تجاری را پیدا می کند. "ژانویه علمی آمریکایی. 23-24.

Wang Yougui ، Wu Jinshan و Di Zengru. 2006. "فیزیک اکونوفیزیک."مقاله کار دانشگاه عادی Bejing ، شماره 1025: 1-23.