ianzeng123
Aperçu
La stratégie de trading dynamique multi-périodes est un système de trading intégré qui, en intégrant l’analyse des tendances multi-périodes, les signaux dynamiques, la confirmation des volumes de transactions et les concepts de fonds intelligents, offre aux traders un outil puissant pour aider à capturer les tendances du marché et à minimiser les faux signaux. Le composant “AI” unique de la stratégie analyse les tendances sur plusieurs périodes de temps, fournissant un tableau de bord clair et utilisable, ce qui le rend facile à utiliser pour les traders novices et expérimentés.
Principe de stratégie
La stratégie est un système de transaction cohérent créé par l’intégration de plusieurs composants:
Analyse des tendances sur plusieurs périodes: la stratégie utilise trois périodes de temps pour évaluer la tendance (par exemple, 1 heure, 4 heures et jour), en utilisant les moyennes mobiles indicielles (par exemple, l’EMA) et les prix moyens pondérés par la transaction (par exemple, le VWAP). La tendance est considérée comme pessimiste lorsque les prix sont au-dessus de l’EMA et du VWAP; elle est considérée comme baissière lorsque les prix sont en dessous; elle est neutre.
Filtre à moteur: mesure le pourcentage de variation des prix entre les colonnes successives et l’ajuste au taux de fluctuation de la marge basée sur la moyenne de la portée réelle[ATR]) afin d’assurer que les transactions ne se déroulent que pendant les périodes de mouvements significatifs des prix et de filtrer les conditions de faible dynamique.
Filtre de débit (optionnel): Vérifier si le volume des transactions actuelles est supérieur à la moyenne à long terme et afficher une variation positive du volume des transactions à court terme.
Passer par le filtre (optionnel)Exigez que le prix franchisse (acheter) ou franchisse (vendre) le plus récent sommet/bas, en veillant à ce que le signal soit cohérent avec la structure du marché.
Le concept de fonds intelligents (CHoCH)：
- Variation de la caractéristique structurelle ((CHoCH): détection d’un potentiel de revers lorsque le prix traverse le plus proche sommet de l’axe en baisse ou en hausse (sold) ou le plus proche bas de l’axe (bought), respectivement.
- La rupture structurelle (BOS): la confirmation de la poursuite d’une tendance se produit lorsque le prix franchit le bas de l’axe le plus proche (vendre) ou le haut de l’axe le plus proche (acheter) avec une forte dynamique. Ces signaux sont tracés comme des lignes horizontales marquées, ce qui facilite la visualisation des niveaux clés.
Le tableau de bord des tendances de l’IALe score supérieur à 0,5 indique une tendance “ haussière “, inférieure à -0,5 indique une tendance ” baissière “, sinon elle est ” neutre “. Le résumé du contexte du marché affiche la force de la tendance (pourcentage), la confiance en l’IA (basée sur la cohérence de la tendance) et les différences cumulatives de trafic (CVD). Le deuxième tableau (optionnel) affiche les prévisions de tendance sur les périodes horaires de 1 heure, 4 heures et le jour, pour aider les traders à prédire la direction future du marché.
Ligne de tendance dynamiqueLes lignes de support et de résistance sont tracées en fonction des bas et hauts de la tendance la plus récente pendant la période définie par l’utilisateur (shortTrendPeriod, longTrendPeriod). Ces lignes s’adaptent aux conditions du marché et sont colorées en fonction de l’intensité de la tendance.
Avantages stratégiques
Les stratégies de trading dynamique de tendance à cycles multiples présentent les avantages suivants:
Réduire le nombre de faux signauxLa stratégie minimise les transactions dans les marchés volatiles ou à faible confiance en exigeant la cohérence des tendances, de la dynamique, du volume et des filtres de rupture.
Adaptation au contexte du marché: La dynamique de la marge basée sur l’ATR peut être ajustée en fonction de la dynamique de la volatilité, assurant que le signal reste pertinent dans les marchés tendanciels et les marchés intermédiaires.
Simplifier la prise de décisionLe tableau de bord AI intègre des données complexes à plusieurs périodes dans des tableaux conviviaux, éliminant ainsi le besoin d’analyses manuelles.
Utilisation des fonds intelligentsLes signaux CHoCH et BOS capturent les modèles d’action des agences de prix et offrent aux traders l’avantage d’identifier les inversions et les prolongations.
Claireté visuelleLes stratégies permettent aux traders de mieux comprendre le comportement des prix en marquant des niveaux, des signaux et des lignes de tendance clés.
Gestion intégrée des risquesLes niveaux prédéfinis d’arrêt et de perte permettent une gestion rigoureuse et disciplinée des risques, ce qui est essentiel pour la réussite des transactions à long terme.
Une alerte précoceLes traders peuvent être alertés avant que la configuration ne soit complètement développée, ce qui permet plus de temps de préparation et de planification.
Risque stratégique
Bien que cette stratégie présente de nombreux avantages, elle comporte aussi des risques potentiels:
piège d’optimisation des paramètres: les paramètres de la stratégie d’optimisation excessive peuvent conduire à une adéquation de la courbe qui ne fonctionnera pas bien dans les conditions futures du marché. La solution consiste à effectuer un retour d’expérience étendu sur plusieurs marchés et périodes de temps pour trouver un ensemble de paramètres robuste.
Signaux de retardL’utilisation de filtres multiples peut entraîner un retard du signal par rapport à l’action des prix, et parfois la perte d’un point d’entrée idéal. La solution consiste à ajuster des paramètres plus sensibles à la vitesse du marché, tels que la longueur de l’axe pivotant et le seuil de dynamique.
Identifier les mauvaises tendances: Dans les marchés très volatils ou sans direction, l’évaluation des tendances peut être inexacte. La solution est de réduire les transactions ou d’ajouter des exigences de filtrage plus strictes dans ces conditions.
Manques de gestion des fonds: les points de stop et de perte fixes peuvent ne pas être adaptés à toutes les conditions du marché. La solution consiste à les ajuster aux valeurs basées sur l’ATR pour s’adapter à la volatilité actuelle.
Intensité de calculLa complexité des stratégies peut entraîner des problèmes de performance sur certaines plates-formes, en particulier lors de l’analyse de grandes quantités de données historiques. La solution consiste à limiter la portée des temps de retestement ou à simplifier les calculs non importants.
Dépendance des données: La stratégie repose sur des données précises à périodes multiples, qui peuvent ne pas être disponibles dans tous les environnements de négociation. La solution consiste à mettre en œuvre des alternatives fiables, telles que le calcul des valeurs locales indiquées dans le code.
La préférence pour les marchés à forte liquiditéLa stratégie est de se concentrer sur les principales paires de devises, les actions largement détenues et les principales crypto-monnaies.
Orientation de l’optimisation de la stratégie
Cette stratégie peut être optimisée dans les directions suivantes:
Paramètres d’adaptation: la mise en œuvre de paramètres d’ajustement automatique, tels que l’optimisation de la marge dynamique basée sur les données historiques de volatilité.
Intégration du machine learning: Application d’algorithmes d’apprentissage automatique pour identifier les meilleures combinaisons de paramètres ou pour prédire la performance d’une stratégie dans des conditions de marché particulières. Cela peut être réalisé en analysant les données de performance historiques et en renforçant davantage l’aspect “AI” de la stratégie.
Indicateur de l’humeur du marchéL’ajout de données externes sur le sentiment des marchés, telles que l’indice VIX ou l’analyse du sentiment des médias sociaux, fournit un contexte plus large pour les décisions de négociation. Cela peut aider la stratégie à éviter de négocier dans des conditions de marché extrêmes.
Filtreur de temps: ajouter des filtres basés sur les modèles de temps d’oscillation du marché et éviter de négocier pendant les périodes de faible volatilité connues (comme les sessions intermédiaires en Asie). Cela peut réduire le nombre de signaux de faible qualité.
Analyse de corrélation: Ajout de vérifications de corrélation entre les actifs pour s’assurer que les transactions sont conformes aux mouvements des marchés concernés (par exemple, en tenant compte de l’indice USD pour les transactions EUR/USD). Cela peut fournir une confirmation de signal supplémentaire.
Optimisation de la gestion des fonds: réaliser des niveaux de stop/stop-loss dynamiques basés sur la volatilité et ajouter des règles de gestion de fonds telles que l’ajustement de la taille de la position au fur et à mesure que le compte augmente.
Optimisation des performances: Simplifier le code, réduire les calculs inutiles, en particulier en ce qui concerne l’affichage des lignes de tendance et des tableaux, afin d’améliorer la réactivité de la stratégie dans les transactions en temps réel.
Indifférence des données: Stratégie d’amélioration pour traiter les interruptions de données ou les valeurs manquantes avec plus d’élégance, assurant la robustesse dans des conditions défavorables.
Résumer
La stratégie de trading dynamique de tendance à cycles multiples offre un système de trading complet, combinant l’analyse technique traditionnelle, les concepts de fonds intelligents et l’analyse de tendance unique pilotée par l’IA. Sa force réside dans les mécanismes de filtrage et de confirmation à plusieurs niveaux qui garantissent la génération de signaux de trading uniquement dans des cas de probabilité élevée.
Un aspect particulièrement innovant de la stratégie est l’intégration d’informations sur les tendances à plusieurs périodes dans un tableau de bord visuel intuitif, permettant aux traders d’évaluer rapidement les conditions du marché sans avoir besoin d’analyses manuelles complexes. La visualisation des lignes de résistance et des niveaux de structure critique soutenus par la dynamique améliore encore cette facilité d’utilisation.
En combinant intelligemment les concepts CHoCH et BOS, la stratégie est capable de capturer les changements subtils de la psychologie du marché, qui indiquent généralement la poursuite ou le potentiel renversement d’une tendance. L’utilisation d’ATR pour ajuster les seuils assure que la stratégie peut s’adapter à différentes conditions de volatilité, ce qui la rend adaptée à une variété d’environnements de marché.
Malgré certains risques et limitations, ce système déjà puissant peut être encore renforcé par des mesures d’optimisation recommandées. L’application judicieuse des principes de gestion des risques et l’ajustement des paramètres en fonction des objectifs de négociation et de la tolérance au risque spécifiques ont le potentiel de devenir un outil précieux dans la boîte à outils de tout trader.
En fin de compte, comme pour toutes les stratégies de trading, le succès dépendra de l’optimisation appropriée des paramètres, de l’exécution disciplinée, d’une bonne gestion des risques et d’une compréhension approfondie de la dynamique du marché.
/*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)