ianzeng123
Überblick
Die Multi-Zeit-Zyklus-Trend-Dynamik-Trading-Strategie ist ein umfassendes Handelssystem, das den Händlern ein leistungsfähiges Werkzeug bietet, um Markttrends zu erfassen und falsche Signale zu minimieren. Die einzigartige “AI” -Komponente der Strategie analysiert Trends über mehrere Zeiträume und bietet eine klare, bedienbare Armatur, die es sowohl für Anfänger als auch für erfahrene Händler einfach macht. Die Strategie ist vollständig anpassbar und ermöglicht es dem Benutzer, die Filter an seinen eigenen Handelsstil anzupassen.
Strategieprinzip
Die Strategie ist ein kohärentes Handelssystem, das durch die Integration mehrerer Komponenten geschaffen wird:
Mehrzeit-TrendanalyseDie Strategie nutzt drei Zeiträume (eine Stunde, vier Stunden und einen Tag), um Trends zu beurteilen, wobei der Index-Moving Average (EMA) und der volumengewichtete Durchschnittspreis (VWAP) verwendet werden. Wenn der Preis über der EMA und dem VWAP liegt, wird der Trend als bullish betrachtet; wenn der Preis darunter liegt, wird er als bullish betrachtet; andernfalls ist er neutral. Das Signal wird nur dann erzeugt, wenn der Trend in den höheren Zeiträumen, den der Benutzer auswählt, mit der Handelsrichtung übereinstimmt (zum Beispiel, ein Kaufsignal erfordert einen bullish Trend in den höheren Zeiträumen).
Antriebsfilter: Messen Sie die prozentualen Preisänderungen zwischen den aufeinanderfolgenden Säulen und korrigieren Sie diese mit den Schwankungen der Schwellenwerte auf der Grundlage eines durchschnittlichen realen Bereichs[ATR) zu vergleichen. Dies stellt sicher, dass der Handel nur während bedeutender Preisbewegungen stattfindet und filtert die niedrigen Bedingungen aus.
Leistungsfilter (optional): Überprüft, ob der aktuelle Umsatz über dem langfristigen Durchschnitt liegt und zeigt eine positive Veränderung des kurzfristigen Umsatzes. Dies bestätigt die starke Marktbeteiligung und verringert die Gefahr eines falschen Durchbruchs.
Durchdringung des Filters (optional): verlangen, dass der Preis die jüngsten Höhen/Tiefs überschreitet (kaufen) oder überschreitet (verkaufen), um sicherzustellen, dass das Signal mit der Veränderung der Marktstruktur übereinstimmt.
Das Konzept von Smart Money (CHoCH/BOS)：
- Strukturelle Eigenschaftsveränderung ((CHoCH): Eine potenzielle Umkehr wird erkannt, wenn der Preis über den jüngsten Pfahlhoch ((verkaufen) bzw. über den jüngsten Pfahltief ((kaufen) in Bewegung nach unten oder nach unten geht.
- BOS: Bestätigt die Fortsetzung des Trends, wenn der Preis mit starker Dynamik das jüngste Pfahltief (verkaufen) oder das jüngste Pfahlhoch (kaufen) durchbricht. Diese Signale werden als markierte Horizontale dargestellt, um die Schlüsselniveaus leicht sichtbar zu machen.
AI-Trends auf der DashboardDer Trend Score wird berechnet durch die Kombination von Trendrichtung, Dynamik und Volatilität (ATR) in verschiedenen Zeitrahmen. Ein Score von mehr als 0,5 ist ein “Ober” -Trend, von weniger als -0,5 ist ein “Unter” -Trend, ansonsten ist es neutral. Der Marktzusammenfassungsrahmen zeigt die Trendstärke (Prozentsatz), AI-Vertrauen (basierend auf Trendkonsistenz) und die kumulierte Verkehrsdifferenz (CVD).
Dynamische TrendlinienUnterstützungs- und Widerstandslinien nach den jüngsten schwankenden Tiefen und Höhen innerhalb eines vom Benutzer definierten Zeitraums (shortTrendPeriod, longTrendPeriod). Diese Linien passen sich den Marktbedingungen an und werden entsprechend der Trendstärke gefärbt.
Strategische Vorteile
Eine mehrzeitige Trenddynamik-Strategie hat folgende bedeutende Vorteile:
Verringerung der FalschmeldungenDie Strategie minimiert den Handel in schwankenden oder unzuverlässigen Märkten, indem sie die Konsistenz von Trends, Dynamik, Transaktionsmengen und Durchbruchfiltern verlangt.
Anpassung an den MarktDer ATR-basierte Dynamik-Thaw kann an die dynamische Volatilität angepasst werden, um sicherzustellen, dass die Signale in den Trendmärkten und in den Intervallmärkten relevant bleiben.
Vereinfachte EntscheidungsfindungDie KI-Dashboard integriert komplexe Daten aus mehreren Zeiträumen in eine benutzerfreundliche Tabelle, wodurch die Notwendigkeit einer manuellen Analyse beseitigt wird.
Nutzung von Smart FinanceDie Signal-Erfassung von CHoCH und BOS ermöglicht es den Händlern, die Preisbewegungsmuster zu erkennen, um Kehrungen und Fortsetzungen zu erkennen.
SehschärfeStrategie: Die Strategie ermöglicht es den Händlern, die Struktur des Marktes besser zu verstehen, indem sie wichtige Niveaus, Signale und Trendlinien markiert.
Eingebettetes RisikomanagementDie vordefinierten Stop-Loss-Levels ermöglichen eine disziplinierte Risikomanagement, was für den langfristigen Erfolg des Handels entscheidend ist.
VorwarnungDas “Bereiten” Signal ermöglicht es den Händlern, sich vor der vollständigen Einrichtung zu warnen, was mehr Zeit für die Vorbereitung und Planung ermöglicht.
Strategisches Risiko
Obwohl die Strategie viele Vorteile hat, gibt es einige potenzielle Risiken:
ParameteroptimierungsfallenDie Lösung besteht darin, umfangreiche Rückprüfungen über mehrere Märkte und Zeiträume durchzuführen, um einen robusten Parametersatz zu finden.
VerzögerungssignalDie Verwendung von mehreren Filtern kann dazu führen, dass die Signale relativ zur Preisbewegung verzögert werden und manchmal den idealen Einstiegspunkt verpassen. Die Lösung besteht darin, Parameter anzupassen, die stärker auf die Marktgeschwindigkeit reagieren, wie z. B. die Achsellänge und die Dynamik-Tiegel.
Falsche Trend-ErkennungDie Lösung besteht darin, unter diesen Bedingungen weniger Geschäfte zu tätigen oder strengere Filteranforderungen hinzuzufügen.
Schwachstellen im FinanzmanagementDie Lösung besteht darin, sie an die Werte des ATR anzupassen, um der aktuellen Volatilität gerecht zu werden.
RechenintensivDie Komplexität der Strategie kann auf einigen Plattformen zu Leistungsproblemen führen, insbesondere bei der Analyse großer Mengen an historischen Daten. Die Lösung besteht darin, den Rücklaufzeitbereich zu begrenzen oder unwichtige Berechnungen zu vereinfachen.
DatenabhängigkeitDie Strategie beruht auf exakten Daten über mehrere Zeiträume, die möglicherweise nicht in allen Handelsumgebungen verfügbar sind. Die Lösung besteht darin, zuverlässige Alternativen zu implementieren, wie die Berechnung der lokalen Werte, die im Code angegeben sind.
Vorliebe für hochliquide MärkteDie Lösung besteht darin, sich auf die wichtigsten Währungspaare, weit gehaltenen Aktien und wichtigsten Kryptowährungen zu konzentrieren.
Richtung der Strategieoptimierung
Die Strategie kann in den folgenden Bereichen weiter optimiert werden:
AnpassungsparameterDie automatische Anpassung von Parametern, wie z. B. die Optimierung von Dynamikmargen auf Basis historischer Volatilitätsdaten. Dies kann die Anpassungsfähigkeit der Strategie unter verschiedenen Marktbedingungen verbessern.
Integration von maschinellem LernenDas kann durch die Analyse von historischen Performance-Daten erreicht werden, um die “AI” -Seite der Strategie weiter zu verbessern.
MarktmotivationsindikatorenDas Hinzufügen von externen Markt-Sentiment-Daten wie dem VIX-Index oder Social-Media-Sentiment-Analysen bietet einen breiteren Kontext für die Handelsentscheidung. Dies kann der Strategie helfen, bei extremen Marktbedingungen zu handeln.
ZeitfilterEs ist wichtig, dass Sie einen Filter auf der Grundlage der Zeitmodelle der Marktschwankungen hinzufügen und den Handel während bekannter niedriger Schwankungen vermeiden (z. B. während der asiatischen Session). Dies kann die Anzahl der minderwertigen Signale reduzieren.
KorrelationsanalyseHinzufügen von Cross-Asset-Relevanz-Prüfungen, um sicherzustellen, dass der Handel mit den relevanten Märkten übereinstimmt (z. B. der Dollar-Index beim Handel mit EUR/USD). Dies kann eine zusätzliche Signalbestätigung bieten.
Optimierung der Geldverwaltung: Einführung von dynamischen Stop/Loss-Levels, die auf Volatilität basieren, und die Einführung von Geldmanagementregeln, wie z. B. der Anpassung der Positionsgröße an das Kontowachstum. Dies erhöht die langfristige, risikobereinigte Rendite.
LeistungsoptimierungDer Code wurde vereinfacht, um unnötige Berechnungen zu reduzieren, insbesondere in Bezug auf die Darstellung von Trendlinien und Tabellen, um die Reaktionsfähigkeit der Strategie im Echtzeithandel zu verbessern.
DatenunabhängigkeitErweiterte Strategien, um Datenunterbrechungen oder Fehlwerte elegant zu behandeln und Robustheit unter unerwünschten Bedingungen zu gewährleisten.
Zusammenfassen
Die Multi-Time-Cycle-Trend-Dynamik-Trading-Strategie bietet ein umfassendes Trading-System, das traditionelle technische Analysen, intelligente Kapitalkonzepte und eine einzigartige AI-getriebene Trendanalyse kombiniert. Ihre Stärke liegt in den mehrschichtigen Filter- und Bestätigungsmechanismen, die sicherstellen, dass Handelssignale nur bei hoher Wahrscheinlichkeit erzeugt werden.
Ein besonders innovativer Aspekt der Strategie ist die Integration von mehrzeitigen Trendinformationen in eine intuitive visuelle Dashboard, die es den Händlern ermöglicht, die Marktsituation schnell zu beurteilen, ohne komplizierte manuelle Analysen durchzuführen. Diese Benutzerfreundlichkeit wird durch die Visualisierung von Widerstandslinien und wichtigen Strukturen mit dynamischer Unterstützung weiter verbessert.
Durch die intelligente Kombination der Konzepte CHoCH und BOS kann die Strategie subtile Veränderungen in der Marktpsychologie erfassen, die normalerweise eine Fortsetzung oder potenzielle Umkehr des Trends anzeigen. Die Verwendung von ATR-Anpassungs-Trench values stellt sicher, dass die Strategie an unterschiedliche schwankende Bedingungen angepasst werden kann, so dass sie für verschiedene Marktumgebungen geeignet ist.
Trotz einiger Risiken und Einschränkungen kann dieses bereits starke System durch empfohlene Optimierungsmaßnahmen weiter verbessert werden. Die sinnvolle Anwendung von Risikomanagementprinzipien und die Anpassung der Parameter an die spezifischen Handelsziele und die Risikoverfügbarkeit der Strategie haben das Potenzial, ein wertvolles Werkzeug in der Werkzeugkiste eines jeden Händlers zu werden.
Letztendlich hängt der Erfolg, wie bei allen Handelsstrategien, von der richtigen Parameteroptimierung, der disziplinierten Ausführung, dem soliden Risikomanagement und einem tiefen Verständnis der Marktdynamiken ab.
/*backtest
start: 2024-05-15 00:00:00
end: 2025-05-13 08:00:00
period: 1d
basePeriod: 1d
exchanges: [{"eid":"Futures_Binance","currency":"ETH_USDT"}]
*/
//@version=5
strategy("PowerHouse SwiftEdge AI v2.10 Strategy", overlay=true, calc_on_every_tick=true)
// Inputs med fleksible indstillinger
length = input.int(5, "Pivot Length", minval=1, maxval=20, step=1, tooltip="Number of bars to identify pivot highs and lows.")
momentum_threshold_base = input.float(0.01, "Base Momentum Threshold (%)", minval=0.001, maxval=1.0, step=0.001, tooltip="Base percentage change for signals.")
tp_points = input.int(10, "Take Profit (points)", minval=5, maxval=500, step=5)
sl_points = input.int(10, "Stop Loss (points)", minval=5, maxval=500, step=5)
min_signal_distance = input.int(5, "Min Signal Distance (bars)", minval=1, maxval=50, step=1)
tp_box_height = input.float(0.5, "TP Box Height % (Optional)", minval=0.1, maxval=2.0, step=0.1)
pre_momentum_factor_base = input.float(0.5, "Base Pre-Momentum Factor", minval=0.1, maxval=1.0, step=0.1, tooltip="Base factor for Get Ready signals.")
shortTrendPeriod = input.int(30, title="Short Trend Period", minval=10, maxval=100)
longTrendPeriod = input.int(100, title="Long Trend Period", minval=50, maxval=200)
// Brugerdefinerede filtre
use_momentum_filter = input.bool(true, "Use Momentum Filter", group="Signal Filters", tooltip="Require price change to exceed momentum threshold.")
use_trend_filter = input.bool(true, "Use Higher Timeframe Trend Filter", group="Signal Filters", tooltip="Require alignment with the selected higher timeframe trend.")
higher_tf_choice = input.string("60", "Higher Timeframe", options=["60", "240", "D"], group="Signal Filters", tooltip="Choose the timeframe for the higher timeframe filter.")
use_lower_tf_filter = input.bool(true, "Use Lower Timeframe Filter", group="Signal Filters", tooltip="Prevent signals against the selected lower timeframe trend.")
lower_tf_choice = input.string("60", "Lower Timeframe", options=["60", "240", "D"], group="Signal Filters", tooltip="Choose the timeframe for the lower timeframe filter.")
use_volume_filter = input.bool(false, "Use Volume Filter", group="Signal Filters", tooltip="Require volume above average (optional).")
use_breakout_filter = input.bool(false, "Use Breakout Filter", group="Signal Filters", tooltip="Require price to break previous high/low (optional).")
show_get_ready = input.bool(true, "Show Get Ready Signals", group="Signal Filters", tooltip="Enable or disable Get Ready signals.")
restrict_repeated_signals = input.bool(false, "Restrict Repeated Signals", group="Signal Filters", tooltip="Prevent multiple signals in the same trend direction until trend changes.")
restrict_trend_tf_choice = input.string("60", "Restrict Trend Timeframe", options=["60", "240", "D"], group="Signal Filters", tooltip="Choose the timeframe to check trend for restricting repeated signals.")
enable_ai_analysis = input.bool(true, "Enable AI Market Analysis", group="AI Market Analysis", tooltip="Show AI predictions for future trends across timeframes.")
ai_table_position = input.string("Bottom Center", "AI Market Analysis Table Position", options=["Top Left", "Top Center", "Top Right", "Middle Left", "Middle Center", "Middle Right", "Bottom Left", "Bottom Center", "Bottom Right"], group="AI Market Analysis", tooltip="Choose the position of the AI Market Analysis table.")
// Ekstra inputs til valgfrie filtre
volumeLongPeriod = input.int(50, "Long Volume Period", minval=10, maxval=100, group="Volume Filter Settings")
volumeShortPeriod = input.int(5, "Short Volume Period", minval=1, maxval=20, group="Volume Filter Settings")
breakoutPeriod = input.int(5, "Breakout Period", minval=1, maxval=50, group="Breakout Filter Settings")
// Funktion til at konvertere streng til position
f_getTablePosition(position_string) =>
switch position_string
"Top Left" => position.top_left
"Top Center" => position.top_center
"Top Right" => position.top_right
"Middle Left" => position.middle_left
"Middle Center" => position.middle_center
"Middle Right" => position.middle_right
"Bottom Left" => position.bottom_left
"Bottom Center" => position.bottom_center
"Bottom Right" => position.bottom_right
=> position.middle_right // Standard fallback
// AI-drevet adaptiv signaljustering med ATR
atr_raw = ta.atr(14)
atr = na(atr_raw) and bar_index > 0 ? (high - low) : atr_raw
volatility_factor = atr / close
momentum_threshold = momentum_threshold_base * (1 + volatility_factor * 2)
pre_momentum_factor = pre_momentum_factor_base * (1 - volatility_factor * 0.5)
pre_momentum_threshold = momentum_threshold * pre_momentum_factor
// Raw CVD-beregning
var float raw_cvd = 0.0
delta_volume = close > close[1] ? volume : close < close[1] ? -volume : 0
raw_cvd := raw_cvd + delta_volume
// Volatility Context baseret på absolut CVD
cvd_level = math.abs(raw_cvd) < 10000 ? "Low" : math.abs(raw_cvd) < 50000 ? "Medium" : "High"
cvd_color = raw_cvd > 0 ? color.lime : raw_cvd < 0 ? color.red : color.yellow
// Beregn prisændring (momentum)
price_change = ((close - close[1]) / close[1]) * 100
// Find højder og lavpunkter
pivot_high = ta.pivothigh(high, length, length)
pivot_low = ta.pivotlow(low, length, length)
// Variabler til at gemme seneste højder og lavpunkter
var float last_high = na
var float last_low = na
if not na(pivot_high)
last_high := pivot_high
if not na(pivot_low)
last_low := pivot_low
// Variabler til signalstyring
var float choch_sell_level = na
var float choch_buy_level = na
var float bos_sell_level = na
var float bos_buy_level = na
var float tp_sell_level = na
var float tp_buy_level = na
var int last_signal_bar = -min_signal_distance - 1
var string last_signal = "Neutral"
var int last_trend = 0 // Sporer den sidste trendretning for restrict_repeated_signals
// Multi-tidsramme trendanalyse med robust fallback
// Beregn EMA og VWAP for hver tidsramme
ema60_raw = request.security(syminfo.tickerid, "60", ta.ema(close, 20), lookahead=barmerge.lookahead_on)
vwap60_raw = request.security(syminfo.tickerid, "60", ta.vwap(hlc3), lookahead=barmerge.lookahead_on)
ema240_raw = request.security(syminfo.tickerid, "240", ta.ema(close, 20), lookahead=barmerge.lookahead_on)
vwap240_raw = request.security(syminfo.tickerid, "240", ta.vwap(hlc3), lookahead=barmerge.lookahead_on)
emaD_raw = request.security(syminfo.tickerid, "D", ta.ema(close, 20), lookahead=barmerge.lookahead_on)
vwapD_raw = request.security(syminfo.tickerid, "D", ta.vwap(hlc3), lookahead=barmerge.lookahead_on)
// Lokale EMA og VWAP som fallback
local_ema = ta.ema(close, 20)
local_vwap = ta.vwap(hlc3)
// Fallback for manglende data
ema60 = na(ema60_raw) ? local_ema : ema60_raw
vwap60 = na(vwap60_raw) ? local_vwap : vwap60_raw
ema240 = na(ema240_raw) ? local_ema : ema240_raw
vwap240 = na(vwap240_raw) ? local_vwap : vwap240_raw
emaD = na(emaD_raw) ? local_ema : emaD_raw
vwapD = na(vwapD_raw) ? local_vwap : vwapD_raw
// Trendbestemmelse (1 = op, -1 = ned, 0 = neutral)
trend60 = close > ema60 and close > vwap60 ? 1 : close < ema60 and close < vwap60 ? -1 : 0
trend240 = close > ema240 and close > vwap240 ? 1 : close < ema240 and close < vwap240 ? -1 : 0
trendD = close > emaD and close > vwapD ? 1 : close < emaD and close < vwapD ? -1 : 0
// AI-Trend Strength (-100 til +100)
trend_strength_raw = trend60 + trend240 + trendD
trend_strength = (trend_strength_raw / 3) * 100
// AI Confidence (simuleret succesrate)
var float ai_confidence = 50.0
if trend_strength_raw == 3 or trend_strength_raw == -3
ai_confidence := 90.0
else if trend_strength_raw >= 2 or trend_strength_raw <= -2
ai_confidence := 75.0
else
ai_confidence := 60.0
// Filterbetingelser
// Dynamisk valg af higher timeframe trend (til signalfiltrering)
var int higher_tf_trend = 0
switch higher_tf_choice
"60" => higher_tf_trend := trend60
"240" => higher_tf_trend := trend240
"D" => higher_tf_trend := trendD
bullish_trend_ok = higher_tf_trend == 1
bearish_trend_ok = higher_tf_trend == -1
// Dynamisk valg af lower timeframe trend (til signalfiltrering)
var int lower_tf_trend = 0
switch lower_tf_choice
"60" => lower_tf_trend := trend60
"240" => lower_tf_trend := trend240
"D" => lower_tf_trend := trendD
lower_tf_bullish = lower_tf_trend == 1
lower_tf_bearish = lower_tf_trend == -1
lower_tf_not_neutral = lower_tf_trend != 0
// Dynamisk valg af trend-tidsramme til restrict_repeated_signals
var int restrict_tf_trend = 0
switch restrict_trend_tf_choice
"60" => restrict_tf_trend := trend60
"240" => restrict_tf_trend := trend240
"D" => restrict_tf_trend := trendD
volAvg50 = ta.sma(volume, volumeLongPeriod)
volShort = ta.sma(volume, volumeShortPeriod)
volCondition = volume > volAvg50 and ta.change(volShort) > 0
highestBreakout = ta.highest(high, breakoutPeriod)
lowestBreakout = ta.lowest(low, breakoutPeriod)
// CHoCH og BOS definitioner
choch_sell = ta.crossunder(low, last_high) and close < open
choch_buy = ta.crossover(high, last_low) and close > open
bos_sell = ta.crossunder(low, last_low[1]) and low < last_low[1] and close < open
bos_buy = ta.crossover(high, last_high[1]) and high > last_high[1] and close > open
// Signalbetingelser med valgbare filtre
early_sell_signal = use_momentum_filter ? price_change < -momentum_threshold : true
early_buy_signal = use_momentum_filter ? price_change > momentum_threshold : true
sell_trend_ok = use_trend_filter ? bearish_trend_ok : true
buy_trend_ok = use_trend_filter ? bullish_trend_ok : true
sell_lower_tf_ok = use_lower_tf_filter ? (not lower_tf_bullish and lower_tf_not_neutral) : true
buy_lower_tf_ok = use_lower_tf_filter ? (not lower_tf_bearish and lower_tf_not_neutral) : true
sell_volume_ok = use_volume_filter ? volCondition : true
buy_volume_ok = use_volume_filter ? volCondition : true
sell_breakout_ok = use_breakout_filter ? close < lowestBreakout[1] : true
buy_breakout_ok = use_breakout_filter ? close > highestBreakout[1] : true
// Logik for at begrænse gentagne signaler baseret på restrict_tf_trend
sell_allowed = not restrict_repeated_signals or (last_signal != "Sell" or (last_signal == "Sell" and restrict_tf_trend != last_trend and restrict_tf_trend != -1))
buy_allowed = not restrict_repeated_signals or (last_signal != "Buy" or (last_signal == "Buy" and restrict_tf_trend != last_trend and restrict_tf_trend != 1))
sell_condition = early_sell_signal and (bar_index - last_signal_bar >= min_signal_distance) and sell_trend_ok and sell_lower_tf_ok and sell_volume_ok and sell_breakout_ok and sell_allowed
buy_condition = early_buy_signal and (bar_index - last_signal_bar >= min_signal_distance) and buy_trend_ok and buy_lower_tf_ok and buy_volume_ok and buy_breakout_ok and buy_allowed
get_ready_sell = use_momentum_filter ? (price_change < -pre_momentum_threshold and price_change > -momentum_threshold) : true and (bar_index - last_signal_bar >= min_signal_distance) and sell_trend_ok and sell_lower_tf_ok and sell_volume_ok and sell_breakout_ok
get_ready_buy = use_momentum_filter ? (price_change > pre_momentum_threshold and price_change < momentum_threshold) : true and (bar_index - last_signal_bar >= min_signal_distance) and buy_trend_ok and buy_lower_tf_ok and buy_volume_ok and buy_breakout_ok
// Strategy logic
if buy_condition
strategy.entry("Long", strategy.long)
strategy.exit("TP/SL Long", "Long", limit=close + tp_points, stop=close - sl_points)
label.new(bar_index, low, "Buy", color=color.green, style=label.style_label_up, textcolor=color.white)
tp_buy_level := high + tp_points
last_signal := "Buy"
last_signal_bar := bar_index
last_trend := restrict_tf_trend
if sell_condition
strategy.entry("Short", strategy.short)
strategy.exit("TP/SL Short", "Short", limit=close - tp_points, stop=close + sl_points)
label.new(bar_index, high, "Sell", color=color.red, style=label.style_label_down, textcolor=color.white)
tp_sell_level := low - tp_points
last_signal := "Sell"
last_signal_bar := bar_index
last_trend := restrict_tf_trend
// Plot Get Ready signals
if show_get_ready and get_ready_sell
label.new(bar_index, high, "Get Ready SELL", color=color.orange, style=label.style_label_down, textcolor=color.black, size=size.small)
if show_get_ready and get_ready_buy
label.new(bar_index, low, "Get Ready BUY", color=color.yellow, style=label.style_label_up, textcolor=color.black, size=size.small)
// Plot CHoCH og BOS som fulde linjer med AI-agtige farver
var line choch_sell_line = na
var line choch_buy_line = na
var line bos_sell_line = na
var line bos_buy_line = na
// Trendlinjer med bufferkontrol og AI-laser-look
var line sup = na
var line res = na
if barstate.islast
float lowest_y2 = 60000
int lowest_x2 = 0
float highest_y2 = 0
int highest_x2 = 0
// Begræns lookback til max 2000 bars for at undgå bufferfejl
int maxShortBars = math.min(math.min(shortTrendPeriod, bar_index), 2000)
for i = 1 to maxShortBars
if low[i] < lowest_y2
lowest_y2 := low[i]
lowest_x2 := i
if high[i] > highest_y2
highest_y2 := high[i]
highest_x2 := i
float lowest_y1 = 60000
int lowest_x1 = 0
float highest_y1 = 0
int highest_x1 = 0
// Begræns lookback til max 2000 bars for at undgå bufferfejl
int maxLongBars = math.min(math.min(longTrendPeriod, bar_index), 2000)
for j = shortTrendPeriod + 1 to maxLongBars
if low[j] < lowest_y1
lowest_y1 := low[j]
lowest_x1 := j
if high[j] > highest_y1
highest_y1 := high[j]
highest_x1 := j
int trendStrength = trend_strength_raw
// Plot niveauer
plot(choch_sell_level, title="Last High at CHoCH", color=color.aqua, style=plot.style_circles, linewidth=1, trackprice=false)
plot(choch_buy_level, title="Last Low at CHoCH", color=color.lime, style=plot.style_circles, linewidth=1, trackprice=false)
plot(bos_sell_level, title="Last Low at BOS", color=color.fuchsia, style=plot.style_circles, linewidth=1, trackprice=false)
plot(bos_buy_level, title="Last High at BOS", color=color.teal, style=plot.style_circles, linewidth=1, trackprice=false)
plot(tp_sell_level, title="TP Sell", color=color.red, style=plot.style_circles, linewidth=1, trackprice=false)
plot(tp_buy_level, title="TP Buy", color=color.green, style=plot.style_circles, linewidth=1, trackprice=false)
plot(last_high, title="Last High", color=color.red, style=plot.style_histogram, linewidth=1, trackprice=true)
plot(last_low, title="Last Low", color=color.green, style=plot.style_histogram, linewidth=1, trackprice=true)
// AI Markedsanalyse - Beregn data uanset betingelse
momentum_1h = request.security(syminfo.tickerid, "60", close - close[3], lookahead=barmerge.lookahead_on)
momentum_4h = request.security(syminfo.tickerid, "240", close - close[3], lookahead=barmerge.lookahead_on)
momentum_d = request.security(syminfo.tickerid, "D", close - close[3], lookahead=barmerge.lookahead_on)
// Beregn ATR og SMA(ATR) for hver tidsramme
atr_1h = request.security(syminfo.tickerid, "60", ta.atr(14), lookahead=barmerge.lookahead_on)
atr_4h = request.security(syminfo.tickerid, "240", ta.atr(14), lookahead=barmerge.lookahead_on)
atr_d = request.security(syminfo.tickerid, "D", ta.atr(14), lookahead=barmerge.lookahead_on)
sma_atr_1h = request.security(syminfo.tickerid, "60", ta.sma(ta.atr(14), 20), lookahead=barmerge.lookahead_on)
sma_atr_4h = request.security(syminfo.tickerid, "240", ta.sma(ta.atr(14), 20), lookahead=barmerge.lookahead_on)
sma_atr_d = request.security(syminfo.tickerid, "D", ta.sma(ta.atr(14), 20), lookahead=barmerge.lookahead_on)
// Lokale ATR og SMA(ATR) som fallback
local_atr = ta.atr(14)
local_sma_atr = ta.sma(ta.atr(14), 20)
// Fallback for manglende data
volatility_1h = na(atr_1h) ? local_atr : atr_1h
volatility_4h = na(atr_4h) ? local_atr : atr_4h
volatility_d = na(atr_d) ? local_atr : atr_d
volatility_avg_1h = na(sma_atr_1h) ? local_sma_atr : sma_atr_1h
volatility_avg_4h = na(sma_atr_4h) ? local_sma_atr : sma_atr_4h
volatility_avg_d = na(sma_atr_d) ? local_sma_atr : sma_atr_d
momentum_1h := na(momentum_1h) ? 0 : momentum_1h
momentum_4h := na(momentum_4h) ? 0 : momentum_4h
momentum_d := na(momentum_d) ? 0 : momentum_d
// Analyse baseret på trend, momentum og volatilitet
score_1h = trend60 + (momentum_1h > 0 ? 0.5 : momentum_1h < 0 ? -0.5 : 0) + (volatility_1h > volatility_avg_1h ? 0.5 : 0)
score_4h = trend240 + (momentum_4h > 0 ? 0.5 : momentum_4h < 0 ? -0.5 : 0) + (volatility_4h > volatility_avg_4h ? 0.5 : 0)
score_d = trendD + (momentum_d > 0 ? 0.5 : momentum_d < 0 ? -0.5 : 0) + (volatility_d > volatility_avg_d ? 0.5 : 0)
// Forudsigelser
pred_1h = score_1h > 0.5 ? "Up" : score_1h < -0.5 ? "Down" : "Neutral"
pred_4h = score_4h > 0.5 ? "Up" : score_4h < -0.5 ? "Down" : "Neutral"
pred_d = score_d > 0.5 ? "Up" : score_d < -0.5 ? "Down" : "Neutral"
// Futuristisk AI-Trend Dashboard
var table trendTable = table.new(position.top_right, columns=2, rows=6, bgcolor=color.new(color.black, 50), border_width=2, border_color=color.new(color.teal, 20))
table.cell(trendTable, 0, 0, "AI-Trend Matrix v2.10", text_color=color.new(color.aqua, 0), bgcolor=color.new(color.navy, 60))
table.cell(trendTable, 1, 0, "", bgcolor=color.new(color.navy, 60))
table.merge_cells(trendTable, 0, 0, 1, 0)
table.cell(trendTable, 0, 1, "Trend Strength", text_color=color.white)
table.cell(trendTable, 1, 1, str.tostring(math.round(trend_strength)), text_color=trend_strength > 0 ? color.rgb(0, math.min(255, trend_strength * 2.55), 0) : color.rgb(math.min(255, math.abs(trend_strength) * 2.55), 0, 0))
table.cell(trendTable, 0, 2, "AI Confidence", text_color=color.white)
table.cell(trendTable, 1, 2, str.tostring(ai_confidence) + "%", text_color=color.teal)
table.cell(trendTable, 0, 3, "AI Calibration", text_color=color.white)
table.cell(trendTable, 1, 3, "CVD: " + str.tostring(math.round(raw_cvd)) + " (" + cvd_level + ")", text_color=cvd_color)
table.cell(trendTable, 0, 4, "1H", text_color=color.white)
table.cell(trendTable, 1, 4, trend60 == 1 ? "Up" : trend60 == -1 ? "Down" : "Neutral", text_color=trend60 == 1 ? color.lime : trend60 == -1 ? color.fuchsia : color.yellow)
table.cell(trendTable, 0, 5, "4H", text_color=color.white)
table.cell(trendTable, 1, 5, trend240 == 1 ? "Up" : trend240 == -1 ? "Down" : "Neutral", text_color=trend240 == 1 ? color.lime : trend240 == -1 ? color.fuchsia : color.yellow)
// Tabel for AI Markedsanalyse
if enable_ai_analysis
var table ai_table = table.new(f_getTablePosition(ai_table_position), columns=4, rows=2, bgcolor=color.new(color.black, 50), border_width=2, border_color=color.new(color.teal, 20))
table.cell(ai_table, 0, 0, "AI Market Analysis", text_color=color.new(color.aqua, 0), bgcolor=color.new(color.navy, 60))
table.cell(ai_table, 1, 0, "1H", text_color=color.white)
table.cell(ai_table, 2, 0, "4H", text_color=color.white)
table.cell(ai_table, 3, 0, "1D", text_color=color.white)
table.cell(ai_table, 0, 1, "Prediction", text_color=color.white)
table.cell(ai_table, 1, 1, pred_1h, text_color=pred_1h == "Up" ? color.lime : pred_1h == "Down" ? color.fuchsia : color.yellow)
table.cell(ai_table, 2, 1, pred_4h, text_color=pred_4h == "Up" ? color.lime : pred_4h == "Down" ? color.fuchsia : color.yellow)
table.cell(ai_table, 3, 1, pred_d, text_color=pred_d == "Up" ? color.lime : pred_d == "Down" ? color.fuchsia : color.yellow)
// Debug alerts for null data
if na(ema60) or na(vwap60)
alert("Warning: 60-minute timeframe data is null!", alert.freq_once_per_bar)
if na(ema240) or na(vwap240)
alert("Warning: 240-minute timeframe data is null!", alert.freq_once_per_bar)
if na(emaD) or na(vwapD)
alert("Warning: Daily timeframe data is null!", alert.freq_once_per_bar)