ianzeng123
Ringkasan
Strategi perdagangan dinamika tren multi-siklus adalah sistem perdagangan komprehensif yang menyediakan pedagang dengan alat yang kuat untuk membantu menangkap tren pasar dan meminimalkan sinyal palsu dengan mengintegrasikan analisis tren multi-siklus, sinyal dinamika, konfirmasi volume transaksi dan konsep dana cerdas. Komponen “AI” yang unik dari strategi menganalisis tren dalam beberapa periode waktu, menyediakan dashboard yang jelas dan dapat dioperasikan, sehingga mudah digunakan oleh pedagang pemula dan berpengalaman.
Prinsip Strategi
Strategi ini adalah sistem transaksi yang koheren yang dibuat dengan mengintegrasikan beberapa komponen:
Analisis tren multi-siklusStrategi: Menggunakan tiga periode waktu ((1 jam, 4 jam, hari) untuk menilai tren, menggunakan indeks moving average ((EMA) dan harga rata-rata tertimbang volume transaksi ((VWAP)). Ketika harga di atas EMA dan VWAP, tren dianggap bullish; Ketika harga di bawahnya, dianggap bearish; Jika tidak, netral. Sinyal dihasilkan hanya jika tren periode waktu yang lebih tinggi yang dipilih pengguna sesuai dengan arah perdagangan (misalnya, sinyal beli membutuhkan tren bullish periode waktu yang lebih tinggi).
Filter momentum: Mengukur persentase perubahan harga antara kolom berturut-turut dan menyesuaikan dengan tingkat fluktuasi (tergantung pada rentang nyata rata-rata)[ATR]) untuk melakukan perbandingan. Ini memastikan bahwa perdagangan hanya dilakukan selama pergerakan harga yang signifikan, menyaring kondisi volume rendah.
Filter kuantitas pengiriman (opsional): Memeriksa apakah volume transaksi saat ini melebihi rata-rata jangka panjang dan menunjukkan perubahan volume transaksi jangka pendek yang positif. Ini mengkonfirmasi keterlibatan pasar yang kuat dan mengurangi risiko terobosan palsu.
Menembus filter (opsional): Meminta harga untuk menembus (membeli) atau menembus (menjual) titik tinggi/rendah terbaru, memastikan sinyal konsisten dengan perubahan struktur pasar.
Konsep Smart Finance (CHoCH/BOS)：
- Perubahan karakteristik struktural ((CHoCH): Potensi reversal terdeteksi ketika harga naik turun atau naik turun melewati titik tinggi aksial terdekat ((jual) atau melewati titik rendah aksial terdekat ((beli), masing-masing.
- Struktural Breakdown (BOS): Konfirmasi tren berlanjut ketika harga dengan momentum yang kuat menembus titik rendah aksial terbaru (BOS) atau menembus titik tinggi aksial terbaru (BOS). Sinyal-sinyal ini dipetakan sebagai garis horizontal berlabel untuk memudahkan visualisasi level kunci.
Dashboard tren AISkor tren yang dihitung dengan menggabungkan arah tren, momentum, dan volatilitas (ATR) dari berbagai kerangka waktu. Skor di atas 0,5 menunjukkan tren “naik”, di bawah -0,5 menunjukkan tren “turun”, atau “netral”. Skor menunjukkan kekuatan tren (persentabilitas), kepercayaan AI (berdasarkan konsistensi tren), dan kumulatif perbedaan volume (CVD). Tabel kedua (opsional) menunjukkan perkiraan tren dari 1 jam, 4 jam, dan kerangka waktu harian, membantu pedagang memprediksi arah pasar di masa depan.
Garis tren dinamisGaris-garis dukungan dan resistensi digambarkan berdasarkan pergerakan terbaru dalam periode yang ditentukan pengguna (Trend Period pendek, Trend Period panjang). Garis-garis ini beradaptasi dengan kondisi pasar dan berwarna sesuai dengan intensitas tren.
Keunggulan Strategis
Strategi perdagangan volume dinamis tren multi-siklus memiliki beberapa keuntungan yang signifikan:
Mengurangi sinyal palsuStrategi ini meminimalkan perdagangan di pasar yang berfluktuasi atau rendah kepercayaan dengan meminta konsistensi tren, momentum, volume transaksi, dan filter penembusan.
Adaptasi terhadap konteks pasarATR-based dynamic thresholds dapat disesuaikan dengan dinamika fluktuasi, memastikan sinyal tetap relevan di pasar tren dan pasar interval.
Mempermudah pengambilan keputusanAI dashboard mengintegrasikan data multi-periode yang kompleks ke dalam tabel yang ramah pengguna, menghilangkan kebutuhan untuk analisis manual.
Menggunakan Dana Cerdas:CHoCH dan BOS sinyal menangkap model tindakan harga lembaga, memberikan keuntungan bagi pedagang untuk mengidentifikasi reversal dan perpanjangan.
Kejelasan visualStrategi: Dengan menandai tingkat, sinyal, dan garis tren yang penting, struktur pasar menjadi jelas dan membantu pedagang memahami perilaku harga dengan lebih baik.
Manajemen risiko built-inPeraturan ini juga mengatur bahwa setiap transaksi yang dilakukan di pasar Forex harus dilakukan dengan cara yang tepat. Peraturan ini juga mengatur bahwa setiap transaksi yang dilakukan di pasar Forex harus dilakukan dengan cara yang tepat.
Peringatan AwalDengan sinyal “siap”, pedagang dapat diberi peringatan sebelum setup sepenuhnya berkembang, yang memungkinkan lebih banyak waktu untuk persiapan dan perencanaan.
Risiko Strategis
Meskipun ada banyak keuntungan dari strategi ini, ada beberapa risiko potensial:
Parameter Trap OptimisasiParameter strategi yang terlalu dioptimalkan dapat menyebabkan adaptasi kurva yang tidak berkinerja baik dalam kondisi pasar di masa depan. Solusinya adalah melakukan pengembalian yang luas di beberapa pasar dan periode waktu untuk menemukan set parameter yang solid.
Sinyal keterlambatanPenggunaan beberapa filter dapat menyebabkan sinyal terlambat relatif terhadap pergerakan harga, kadang-kadang melewatkan titik masuk yang ideal. Solusinya adalah dengan menyesuaikan parameter yang lebih sensitif terhadap kecepatan pasar, seperti panjang sumbu pusat dan penurunan momentum.
Identifikasi Tren yang SalahDi pasar yang sangat tidak menentu atau tanpa arah, penilaian tren mungkin tidak akurat. Solusinya adalah mengurangi perdagangan atau menambahkan persyaratan filter yang lebih ketat dalam kondisi ini.
Kesalahan dalam pengelolaan dana: Stop loss dan stop loss yang ditetapkan mungkin tidak sesuai dengan semua kondisi pasar. Solusinya adalah untuk menyesuaikan mereka menjadi nilai berdasarkan ATR, untuk menyesuaikan dengan volatilitas saat ini.
Komputasi intensifKompleksitas strategi dapat menyebabkan masalah kinerja pada beberapa platform, terutama ketika menganalisis sejumlah besar data historis. Solusinya adalah membatasi rentang waktu retesting atau menyederhanakan perhitungan yang tidak penting.
Ketergantungan dataStrategi bergantung pada data multi-periode waktu yang akurat, yang mungkin tidak tersedia di semua lingkungan perdagangan. Solusinya adalah dengan mengimplementasikan alternatif yang dapat diandalkan, seperti perhitungan nilai lokal yang ditunjukkan dalam kode.
Preferensi terhadap pasar yang sangat likuidStrategi ini mungkin menghasilkan lebih banyak sinyal palsu di pasar yang kurang likuiditas. Solusinya adalah fokus pada pasangan mata uang utama, saham yang dipegang secara luas, dan cryptocurrency utama.
Arah optimasi strategi
Strategi ini dapat dioptimalkan lebih lanjut melalui:
Parameter adaptasi: Membuat parameter penyesuaian otomatis, seperti optimasi margin dinamis berdasarkan data volatilitas historis. Hal ini dapat meningkatkan kemampuan strategi untuk beradaptasi dalam kondisi pasar yang berbeda.
Integrasi pembelajaran mesinAplikasi algoritma pembelajaran mesin untuk mengidentifikasi kombinasi parameter yang optimal, atau memprediksi kinerja strategi dalam kondisi pasar tertentu. Hal ini dapat dilakukan dengan menganalisis data kinerja historis, yang selanjutnya meningkatkan aspek “AI” dari strategi.
Indikator sentimen pasarTambahkan data sentimen pasar eksternal, seperti indeks VIX atau analisis sentimen media sosial, untuk memberikan konteks yang lebih luas untuk keputusan perdagangan. Ini dapat membantu strategi untuk menghindari perdagangan dalam kondisi pasar yang ekstrem.
Filter waktuMenambahkan filter berdasarkan pola waktu pasar yang berfluktuasi, menghindari perdagangan selama periode fluktuasi rendah yang diketahui (misalnya, di tengah sesi Asia). Hal ini dapat mengurangi jumlah sinyal berkualitas rendah.
Analisis korelasi: Tambahkan pemeriksaan relevansi lintas aset untuk memastikan bahwa perdagangan sesuai dengan pergerakan pasar terkait (misalnya, indeks dolar dalam perdagangan EUR / USD). Ini dapat memberikan konfirmasi sinyal tambahan.
Pengelolaan dana yang optimal: Membuat stop/loss level dinamis berdasarkan volatilitas, dan menambahkan aturan pengelolaan dana, seperti penyesuaian ukuran posisi sesuai dengan pertumbuhan akun.
Pengoptimalan kinerjaKode yang disederhanakan, mengurangi perhitungan yang tidak perlu, terutama pada garis tren dan tampilan tabel, untuk meningkatkan responsifitas strategi dalam perdagangan real-time.
Data tidak relevanStrategi peningkatan untuk menangani data yang terputus atau hilang dengan lebih elegan, memastikan robustitas dalam kondisi yang tidak ideal.
Meringkaskan
Strategi perdagangan dinamika tren multi-siklus memberikan sistem perdagangan yang komprehensif, menggabungkan analisis teknis tradisional, konsep dana cerdas, dan analisis tren yang didorong oleh AI yang unik. Kekuatannya terletak pada mekanisme penyaringan dan konfirmasi bertingkat yang memastikan sinyal perdagangan hanya dihasilkan dalam situasi probabilitas tinggi.
Salah satu aspek yang sangat inovatif dari strategi ini adalah integrasi informasi tren multi-periode ke dashboard visual yang intuitif, yang memungkinkan pedagang untuk menilai kondisi pasar dengan cepat tanpa analisis manual yang rumit.
Dengan cerdas menggabungkan konsep Choch dan Boss, strategi ini mampu menangkap perubahan halus dalam psikologi pasar, yang biasanya mengindikasikan perpanjangan atau potensi pembalikan tren. Penggunaan ATR untuk menyesuaikan threshold memastikan bahwa strategi dapat beradaptasi dengan kondisi fluktuasi yang berbeda, membuatnya cocok untuk berbagai lingkungan pasar.
Meskipun ada beberapa risiko dan keterbatasan, sistem yang sudah kuat ini dapat ditingkatkan lebih jauh dengan langkah-langkah optimasi yang disarankan. Dengan menerapkan prinsip manajemen risiko secara bijaksana dan menyesuaikan parameter sesuai dengan tujuan perdagangan dan toleransi risiko tertentu, strategi ini berpotensi menjadi alat berharga dalam kotak alat pedagang mana pun.
Pada akhirnya, seperti semua strategi perdagangan, keberhasilan akan tergantung pada optimasi parameter yang tepat, pelaksanaan disiplin, manajemen risiko yang solid, dan pemahaman yang mendalam tentang dinamika pasar.
/*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)