ianzeng123
حکمت عملی کا جائزہ
کثیر جہتی بیعانہ ٹریڈنگ حکمت عملی ایک مقداری تجارتی طریقہ ہے جو بیعانہ اصولوں اور تکنیکی تجزیہ کو یکجا کرتا ہے ، بنیادی طور پر مارکیٹ کے شرکاء کے گروپ کے طرز عمل ، ادارہ دارالحکومت کے بہاؤ ، لیکویڈیٹی ٹریپ اور نیش توازن کی حیثیت کی نشاندہی کرکے اعلی امکانات کے ساتھ تجارت کے مواقع تلاش کرنے کے لئے۔ یہ حکمت عملی اس بنیادی نظریہ پر مبنی ہے کہ مالیاتی منڈی مختلف شرکاء کے مابین گیمنگ کا عمل ہے ، اور ان شرکاء کے طرز عمل کے نمونوں اور فیصلہ سازی کے رجحانات کا تجزیہ کرکے مارکیٹ کے ممکنہ رجحانات کی پیش گوئی کی جاسکتی ہے۔ حکمت عملی میں خودکار ٹریڈنگ منطق کا استعمال کیا گیا ہے ، جس میں متحرک رسک مینجمنٹ سسٹم شامل ہے ، جس کا مقصد خوردہ فروشوں کے خوف ، ادارہ دارالحکومت کے بہاؤ اور لیکویڈیٹی ٹریپ کی وجہ سے مارکیٹ کی کم کارکردگی کو پکڑنا ہے۔
حکمت عملی کا اصول
اس حکمت عملی میں مارکیٹ کو چار اہم جہتوں کے ذریعے تجزیہ کرنے کے لئے کثیر جہتی بیعانہ تجزیہ کا فریم ورک استعمال کیا گیا ہے۔
گروپ رویے کی جانچحکمت عملی: آر ایس آئی اشارے ((ڈیفالٹ 14 سائیکل) کا استعمال کرتے ہوئے حجم تجزیہ کے ساتھ مل کر مارکیٹ میں اجتماعی گھبراہٹ یا لالچ کے رویے کی شناخت کریں۔ جب آر ایس آئی 70 سے زیادہ ہے اور حجم نمایاں طور پر اس کی 20 سائیکل کی متحرک اوسط ((ڈیفالٹ 2 گنا) سے زیادہ ہے تو ، سسٹم کو خوردہ فروشوں کی اجتماعی خریداری کے طور پر پہچانا جاتا ہے۔ جب آر ایس آئی 30 سے کم ہے اور اسی طرح غیر معمولی حجم کے ساتھ ہوتا ہے تو ، اسے خوردہ فروشوں کی اجتماعی گھبراہٹ کے طور پر پہچانا جاتا ہے۔ یہ انتہائی حالات عام طور پر اس بات کی نشاندہی کرتے ہیں کہ مارکیٹ میں الٹ پلٹ کا امکان ہے۔
لیکویڈیٹی ٹریپ تجزیہحکمت عملی: حالیہ (ڈیفالٹ 50 سائیکل) کی اونچائی اور نچلی سطحوں کو اسکین کریں ، ممکنہ “سٹاپ شکار” علاقوں کی تلاش کریں۔ جب قیمت حالیہ اونچائی کو توڑ دیتی ہے لیکن اس کے بعد اس اونچائی سے نیچے بند ہوجاتی ہے ، اور اس کے ساتھ ہی حجم میں اضافہ ہوتا ہے تو ، نظام کو لگتا ہے کہ اوپر کی لیکویڈیٹی ٹریپس ہوسکتی ہیں۔ اور اس کے برعکس۔ یہ ٹریپس عام طور پر بڑے اداروں کے ذریعہ ترتیب دی جاتی ہیں جس کا مقصد پھیلاؤ کرنے والوں کو ٹرگر کرنا ہے۔
ادارے کے فنڈز کا تجزیہ پر بہاؤ: غیر معمولی بڑے ٹرانزیکشن حجم کی نگرانی کرکے اداروں کی سرگرمیوں کا سراغ لگانا ((ڈیفالٹ اوسط سے 2.5 گنا) اور جمع / تقسیم کے اشارے ((A / D لائن) ۔ A / D لائن اس کی 21 چکر کی متحرک اوسط سے زیادہ ہے اور بڑی ٹرانزیکشن حجم کے ساتھ اداروں کے جمع کرنے کے عمل کی نشاندہی کی گئی ہے۔ اس کے برعکس تقسیم کے عمل کے طور پر۔ اس کے علاوہ ، حکمت عملی میں سمارٹ منی انڈیکس (((خریداری کی قیمت - افتتاحی قیمت) / ((سب سے زیادہ قیمت - کم قیمت) بھی استعمال کیا جاتا ہے*اسمارٹ فنڈز کی سمت کی تصدیق کرنے کے لئے.
نیش توازن حسابحکمت عملی: قیمتوں پر مبنی 100 سیکنڈ چلنے والی اوسط اور معیاری فرق پر مبنی حکمت عملی ، جس میں اعدادوشمار کے لحاظ سے “توازن کی حد” کا حساب لگایا جاتا ہے۔ جب قیمت اس توازن کی حد کے اندر ہوتی ہے تو ، مارکیٹ کو مستحکم حالت میں سمجھا جاتا ہے۔ جب قیمت توازن کی حد سے نمایاں طور پر ہٹ جاتی ہے تو ، اسے زیادہ خرید یا فروخت کی حیثیت سے سمجھا جاتا ہے ، جس میں توازن میں واپسی کی صلاحیت موجود ہے۔
مندرجہ بالا چار جہتوں کے تجزیہ کی بنیاد پر ، حکمت عملی تین قسم کے تجارتی سگنل تیار کرتی ہے۔
- رجحان کا اشارہ: جب خوردہ فروشوں میں بڑے پیمانے پر فروخت ہوتی ہے ، اور ساتھ ہی ساتھ اداروں کے جمع ہونے والے عمل یا نیچے جانے والے لیکویڈیٹی ٹریپ کے ساتھ ، خریدنے کا اشارہ پیدا ہوتا ہے۔ اس کے برعکس ، فروخت کا اشارہ پیدا ہوتا ہے۔
- موٹر سگنلجب قیمت نیش ایکویلیو بینڈ سے کم ہو اور اسمارٹ منی انڈیکس مثبت ہو اور خوردہ فروشوں کی اجتماعی خریداری نہ ہو تو ، خریدنے کا اشارہ پیدا ہوتا ہے۔ اس کے برعکس ، فروخت کا اشارہ پیدا ہوتا ہے۔
- متوازن واپسی کا اشارہجب قیمت نیش ایکویلیونس بینڈ سے نیچے ہوتی ہے اور اوپر کی طرف رجحان ہوتا ہے (بند ہونے والی قیمت پچھلے دور سے زیادہ ہے) اور اسی وقت اوسط سے زیادہ حجم ہوتا ہے تو ، خریدنے کا اشارہ ہوتا ہے۔ اس کے برعکس ، فروخت کا اشارہ ہوتا ہے۔
حتمی ٹریڈنگ کے فیصلے ان تین قسم کے سگنل کے مجموعے سے کیے جاتے ہیں ، اور کم سے کم اصولوں پر مبنی متحرک پوزیشن مینجمنٹ سسٹم کے ذریعہ خطرے کی نمائش کی سطح کو ایڈجسٹ کیا جاتا ہے۔
اسٹریٹجک فوائد
جامع کثیر جہتی مارکیٹ کی معلوماتاس حکمت عملی میں نہ صرف بنیادی تکنیکی اشارے جیسے قیمتوں اور حجم پر توجہ دی گئی ہے بلکہ مارکیٹ کے شرکاء کے طرز عمل ، ادارہ دارالحکومت کے بہاؤ ، لیکویڈیٹی ٹریپس اور اعدادوشمار کے توازن جیسے متعدد عوامل کو بھی شامل کیا گیا ہے۔
مختلف مارکیٹ کے حالات کو اپنانےگیم تھیوری کے فریم ورک کے ذریعہ ، حکمت عملی مختلف مارکیٹ کے حالات میں خود کو ایڈجسٹ کرنے کے قابل ہے۔ نیش توازن کے علاقے میں ، حکمت عملی ایک قدامت پسند موقف اختیار کرتی ہے۔ جب ادارہ سرگرمی کا پتہ چلتا ہے تو ، حکمت عملی زیادہ جارحانہ ہوتی ہے۔ خوردہ فروشوں کے خوف و ہراس کے دوران ، حکمت عملی کا مقابلہ کرنا ہوتا ہے۔
متحرک خطرے کے انتظامحکمت عملی میں ایک مکمل خطرے کے کنٹرول کا طریقہ کار شامل ہے جس میں خود کار طریقے سے روکنے (ڈیفالٹ 2٪) ، ہدف منافع (ڈیفالٹ 5٪) ، اور مارکیٹ کی حالت پر مبنی متحرک پوزیشن ایڈجسٹمنٹ ، کم سے کم اصول کے مطابق ، سرمایہ کی حفاظت کے ساتھ ساتھ منافع کو بہتر بنانا۔
بصری فیصلہ سازی کی حمایتحکمت عملی: اسٹریٹجی میں بھرپور بصری عناصر ہیں ، بشمول نیش توازن بینڈ ، پس منظر کے رنگوں کا اشارے (سرخ گروپ خریدتا ہے ، سبز گروپ بیچتا ہے ، نیلے رنگ میں ادارہ کی سرگرمی) ، اور سگنل مارکر۔ اس کے ساتھ ہی ، دو انفارمیشن پینل کھیل کی رائے کی حیثیت اور کارکردگی کے اعداد و شمار کو ظاہر کرتے ہیں۔
مکمل ریٹرننگ فریم ورک: حکمت عملی کے اندر اندر ایک جامع تجزیاتی تجزیاتی نظام ہے جو حکمت عملی کو بہتر بنانے اور کارکردگی کی تشخیص کے لئے اہم اشارے جیسے کل تجارت، جیت، خالص منافع، نقصان کا تناسب اور زیادہ سے زیادہ واپسی کا سراغ لگاتا ہے.
اسٹریٹجک رسک
پیرامیٹر کی حساسیتحکمت عملی کی افادیت بہت حد تک پیرامیٹرز کی درست ترتیب پر منحصر ہے۔ آر ایس آئی سائیکل ، ٹرانزیکشن ضرب کی حد ، لیکویڈیٹی ریٹرنس پیریڈ ، نیش توازن انحراف جیسے پیرامیٹرز کو مختلف مارکیٹوں اور ٹائم فریموں کے مطابق ایڈجسٹ کرنے کی ضرورت ہے۔ غلط پیرامیٹرز کی ترتیب سے بہت زیادہ غلط سگنل یا اہم تجارتی مواقع ضائع ہوسکتے ہیں۔
مارکیٹ میں شور و غل: مختصر وقت کے فریموں (جیسے منٹ کی سطح) پر ، مارکیٹ کا شور گروپ کے طرز عمل اور لیکویڈیٹی ٹریپ کے غلط فہمی کا سبب بن سکتا ہے۔ حکمت عملی کو مختصر مدت کے اتار چڑھاؤ کی مداخلت کو فلٹر کرنے کے لئے درمیانے اور طویل مدتی وقت کے فریموں جیسے H1 (جیسے 1 گھنٹہ) سے D1 (جیسے دن کی لکیر) پر لاگو کیا جانا چاہئے۔
زیادہ تجارت کا خطرہچونکہ حکمت عملی میں تین قسم کے سگنل ذرائع کو شامل کیا گیا ہے ، اس لئے بعض مارکیٹ کے حالات میں بہت زیادہ ٹریڈنگ سگنل پیدا ہوسکتے ہیں ، جس سے زیادہ تجارت اور فیسوں میں خرابی پیدا ہوسکتی ہے۔ سگنل فلٹرنگ کے طریقہ کار کو شامل کرنے کی تجویز ہے ، جیسے سگنل کی تصدیق کی مدت یا طاقت کی قیمت۔
سسٹم کے خطرے کی نمائش: حکمت عملی بنیادی طور پر تکنیکی اشارے اور طرز عمل کے تجزیے پر مبنی ہے ، میکرو معاشی واقعات ، پالیسی میں تبدیلی یا اہم خبروں جیسے سسٹم کے خطرے والے عوامل کے ل adapt موافقت کا فقدان ہے۔ اہم مارکیٹ کے واقعات کے دوران ، حکمت عملی خطرے کا صحیح اندازہ لگانے میں ناکام ہوسکتی ہے اور اس سے بڑے نقصانات کا سامنا کرنا پڑ سکتا ہے۔
ریڈ ڈسک سے فرق: نتائج میں ممکنہ پیش گوئی یا تاریخی اعداد و شمار کے ساتھ زیادہ مماثلت کی دشواری ہوسکتی ہے۔ لین دین میں ممکنہ طور پر سلائڈ ، عدم لیکویڈیٹی یا عملدرآمد میں تاخیر جیسے عوامل ہوسکتے ہیں جن کا جائزہ لینے میں کوئی اثر نہیں پڑتا ہے۔
اصلاح کی سمت
مشین سیکھنے میں اضافہ: پیرامیٹرز کے انتخاب اور سگنل جنریشن کے عمل کو بہتر بنانے کے لئے مشین لرننگ الگورتھم متعارف کروائیں۔ نگرانی سیکھنے یا ریفریجریشن لرننگ کے طریقوں کے ذریعہ ، مختلف مارکیٹ کے حالات کے مطابق پیرامیٹرز کو خود بخود ایڈجسٹ کیا جاسکتا ہے ، جس سے حکمت عملی کی موافقت اور استحکام میں اضافہ ہوتا ہے۔
کثیر دورانیہ تجزیہ انٹیگریشن: حکمت عملی میں کثیر ٹائم فریم تجزیہ شامل کریں ، مثال کے طور پر ایک ہی وقت میں ڈے لائن ، 4 گھنٹے اور 1 گھنٹے کی سطح کے سگنل پر غور کریں ، اور صرف اس وقت تجارت کریں جب متعدد ٹائم فریم سگنل مطابقت پذیر ہوں ، غلط سگنل کو کم کریں اور تجارت کی کامیابی کی شرح میں اضافہ کریں۔
اتار چڑھاؤ کی شرح ایڈجسٹمنٹ میکانزم: مارکیٹ میں اتار چڑھاؤ کی شرح کی نقل و حرکت کے مطابق سٹاپ نقصان کی سطح کو ایڈجسٹ کریں ، ہدف منافع کا تناسب اور پوزیشن کی سائز۔ اعلی اتار چڑھاؤ والے ماحول میں رسک کنٹرول کو سخت کریں ، اور کم اتار چڑھاؤ والے ماحول میں مختلف مارکیٹ کے حالات کے مطابق پیرامیٹرز کو اعتدال پسند نرمی کریں۔
بنیادی ڈیٹا انٹیگریشن: میکرو اکنامک اشارے ، مارکیٹ کے جذبات کے اشارے یا خبروں کے جذبات کے تجزیے کو فیصلہ سازی کے فریم ورک میں شامل کریں ، تاکہ ایک زیادہ جامع تجارتی نظام تشکیل دیا جاسکے ، جس میں تکنیکی اور طرز عمل کے عوامل کے ساتھ ساتھ بنیادی عوامل کو بھی مدنظر رکھا جائے۔
خود کار طریقے سے فلٹر: ایک انکولی سگنل فلٹرنگ سسٹم تیار کریں ، جو تاریخی سگنل کی کارکردگی کے مطابق سگنل کی حد کو متحرک طور پر ایڈجسٹ کرے ، کم امکانات والے تجارتی مواقع کو فلٹر کرے ، اور وسائل کو اعلی امکانات والے تجارت پر مرکوز کرے ، جس سے مجموعی طور پر منافع بخش اور سرمایہ کاری میں اضافہ ہو۔
نیش توازن میں بہتری: نشی توازن کے حساب کتاب کے طریقہ کار کو بہتر بنائیں ، غیر لکیری شماریاتی ماڈل متعارف کرانے یا توازن کی بینڈوڈتھ کو خود بخود ایڈجسٹ کرنے پر غور کریں ، تاکہ توازن کے فیصلے کو زیادہ درست بنایا جاسکے ، خاص طور پر مارکیٹ میں تبدیلی کے اوقات یا اعلی اتار چڑھاؤ کے دوران۔
خلاصہ کریں۔
کثیر جہتی گیم تھیوری ٹریڈنگ حکمت عملی کلاسیکی گیم تھیوری کے اصولوں کو جدید مقداری تجزیاتی تکنیک کے ساتھ جوڑ کر تاجروں کو مارکیٹ تجزیہ کا ایک انوکھا فریم ورک مہیا کرتی ہے۔ یہ حکمت عملی خوردہ فروشوں کے طرز عمل ، ادارہ جاتی سرگرمیوں ، لیکویڈیٹی ٹریپس اور اعدادوشمار کے توازن کی حالت کی بیک وقت نگرانی کرکے افراتفری والی مارکیٹ میں نظم و ضبط تلاش کرنے اور مارکیٹ کے شرکاء کے مابین کھیل سے فائدہ اٹھانے کی کوشش کرتی ہے۔
حکمت عملی کی بنیادی طاقت اس کی کثیر جہتی تجزیاتی صلاحیت اور متحرک رسک مینجمنٹ سسٹم میں ہے جو اسے مختلف مارکیٹ کے حالات کے مطابق ڈھالنے اور نسبتا robust مضبوط رسک ایڈجسٹمنٹ ریٹرن فراہم کرنے کی اجازت دیتی ہے۔ تاہم ، حکمت عملی کی پیچیدگی بھی پیرامیٹرز کی اصلاح کے چیلنجوں اور ممکنہ حد سے زیادہ فٹ ہونے کے خطرات کا باعث بنتی ہے۔
اس حکمت عملی کو لاگو کرنے کے خواہاں تاجروں کے لئے ، یہ مشورہ دیا جاتا ہے کہ پہلے مختلف مارکیٹوں اور وقت کے فریموں پر کافی حد تک ریٹرننگ کی جائے ، پیرامیٹرز کو مخصوص تجارتی اقسام کی خصوصیات کے مطابق ڈھال لیا جائے ، اور اس مضمون میں تجویز کردہ اصلاح کی سمتوں کو متعارف کرانے پر غور کیا جائے۔ اس کے علاوہ ، اس حکمت عملی کو ایک وسیع تر تجارتی نظام کے حصے کے طور پر استعمال کرنے سے بہتر نتائج برآمد ہوسکتے ہیں ، نہ کہ کسی ایک فیصلے کی بنیاد پر۔
مسلسل بہتری اور اصلاح کے ساتھ ، ڈی وی پی ٹریڈنگ کی حکمت عملی تاجروں کے ٹول کٹ میں ایک طاقتور ہتھیار بننے کی صلاحیت رکھتی ہے ، جس سے پیچیدہ اور متغیر مالیاتی منڈیوں میں مستقل مسابقتی فائدہ حاصل کرنے میں مدد ملتی ہے۔
/*backtest
start: 2024-08-21 02:40:00
end: 2025-08-03 08:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
args: [["v_input_int_2",5],["v_input_int_3",5]]
*/
//@version=5
strategy("Game Theory Trading Strategy", overlay=true, initial_capital=10000, pyramiding=3, default_qty_type=strategy.percent_of_equity, default_qty_value=10)
// ===========================
// INPUTS - User Settings
// ===========================
// Herd Behavior Parameters
grp1 = "Herd Behavior Analysis"
rsi_length = input.int(14, "RSI Period", group=grp1)
volume_ma_length = input.int(5, "Volume MA Period", group=grp1)
herd_threshold = input.float(2.0, "Herd Behavior Threshold", step=0.1, group=grp1)
// Liquidity Traps
grp2 = "Liquidity Analysis"
liquidity_lookback = input.int(5, "Liquidity Scan Period", group=grp2)
// Institutional Flow
grp3 = "Institutional Flow Detection"
inst_volume_mult = input.float(2.5, "Institutional Volume Multiplier", step=0.1, group=grp3)
inst_ma_length = input.int(5, "Institutional MA Period", group=grp3)
// Nash Equilibrium
grp4 = "Nash Equilibrium"
nash_period = input.int(4, "Nash Equilibrium Period", group=grp4)
nash_deviation = input.float(0.02, "Equilibrium Deviation Rate", step=0.001, group=grp4)
// Risk Management
grp5 = "Risk Management"
use_sl = input.bool(true, "Use Stop Loss", group=grp5)
sl_percent = input.float(2.0, "Stop Loss %", step=0.1, group=grp5)
use_tp = input.bool(true, "Use Take Profit", group=grp5)
tp_percent = input.float(5.0, "Take Profit %", step=0.1, group=grp5)
// ===========================
// CALCULATIONS
// ===========================
// 1. HERD BEHAVIOR DETECTION
// Is RSI at extreme levels?
rsi = ta.rsi(close, rsi_length)
rsi_extreme_high = rsi > 70
rsi_extreme_low = rsi < 30
// Is volume normal?
volume_ma = ta.sma(volume, volume_ma_length)
volume_spike = volume > volume_ma * herd_threshold
// Momentum calculation
momentum = close - close[5]
momentum_ma = ta.sma(momentum, 5)
// Herd behavior score
herd_buying = rsi_extreme_high and volume_spike and momentum > momentum_ma
herd_selling = rsi_extreme_low and volume_spike and momentum < momentum_ma
// 2. LIQUIDITY TRAPS
// Find highest/lowest levels in the last X bars
recent_high = ta.highest(high, liquidity_lookback)
recent_low = ta.lowest(low, liquidity_lookback)
// 心理价位计算（多层级但简单）
round_level_up = close > 100 ? math.round(close / 100) * 100 + 100 : math.round(close / 10) * 10 + 10
round_level_down = close > 100 ? math.round(close / 100) * 100 - 100 : math.round(close / 10) * 10 - 10
// 是否接近心理价位（简单距离判断）
near_psych_up = math.abs(high - round_level_up) / close < 0.01
near_psych_down = math.abs(low - round_level_down) / close < 0.01
// 改进的流动性陷阱检测（保持原逻辑，增加心理价位强化）
liquidity_trap_up = high > recent_high[1] and close < recent_high[1] and volume_spike and near_psych_up
liquidity_trap_down = low < recent_low[1] and close > recent_low[1] and volume_spike and near_psych_down
// 3. INSTITUTIONAL FLOW ANALYSIS
// Large volume trades
institutional_volume = volume > volume_ma * inst_volume_mult
// Accumulation/Distribution
ad = ta.cum(((close - low) - (high - close)) / (high - low) * volume)
ad_ma = ta.sma(ad, inst_ma_length)
accumulation = ad > ad_ma and institutional_volume
distribution = ad < ad_ma and institutional_volume
// Smart Money Index-like
smart_money = (close - open) / (high - low) * volume
smart_money_ma = ta.sma(smart_money, 5)
smart_money_positive = smart_money > smart_money_ma
// 4. NASH EQUILIBRIUM LEVELS
// Price equilibrium zones
price_mean = ta.sma(close, nash_period)
price_std = ta.stdev(close, nash_period)
upper_nash = price_mean + price_std * nash_deviation
lower_nash = price_mean - price_std * nash_deviation
// Is price near Nash equilibrium?
near_nash_equilibrium = close > lower_nash and close < upper_nash
above_nash = close > upper_nash
below_nash = close < lower_nash
// 5. GAME THEORY SIGNALS
// Contrarian signals (opposite to the majority)
contrarian_buy = herd_selling and (accumulation or liquidity_trap_down)
contrarian_sell = herd_buying and (distribution or liquidity_trap_up)
// Momentum signals (trend following but with smart money)
momentum_buy = below_nash and smart_money_positive and not herd_buying
momentum_sell = above_nash and not smart_money_positive and not herd_selling
// Nash equilibrium reversion signals
nash_reversion_buy = below_nash and close > close[1] and volume > volume_ma
nash_reversion_sell = above_nash and close < close[1] and volume > volume_ma
// Main signals
long_signal = contrarian_buy or momentum_buy or nash_reversion_buy
short_signal = contrarian_sell or momentum_sell or nash_reversion_sell
// ===========================
// POSITION MANAGEMENT
// ===========================
// Position size (Game theory minimax principle)
position_size = 1.0
if near_nash_equilibrium
position_size := 0.5 // Lower position size near Nash equilibrium
else if institutional_volume
position_size := 1.5 // Higher position size with institutional flow
// ===========================
// STRATEGY IMPLEMENTATION
// ===========================
// Long positions
if long_signal and strategy.position_size <= 0
strategy.entry("GT Long", strategy.long, qty=position_size)
if use_sl
strategy.exit("Long SL/TP", "GT Long",
stop=close * (1 - sl_percent/100),
limit=use_tp ? close * (1 + tp_percent/100) : na)
// Short positions (only for hedge)
if short_signal and strategy.position_size >= 0
strategy.entry("GT Short", strategy.short, qty=position_size)
if use_sl
strategy.exit("Short SL/TP", "GT Short",
stop=close * (1 + sl_percent/100),
limit=use_tp ? close * (1 - tp_percent/100) : na)
// ===========================
// VISUALIZATION
// ===========================
// Nash Equilibrium Bands
plot(price_mean, "Nash Equilibrium", color=color.orange, linewidth=2)
plot(upper_nash, "Upper Nash", color=color.red, linewidth=1, style=plot.style_line)
plot(lower_nash, "Lower Nash", color=color.green, linewidth=1, style=plot.style_line)
// Background colors
bgcolor(herd_buying ? color.new(color.red, 90) : na, title="Herd Buying")
bgcolor(herd_selling ? color.new(color.green, 90) : na, title="Herd Selling")
bgcolor(institutional_volume ? color.new(color.blue, 95) : na, title="Institutional Volume")
// Signal markers
plotshape(contrarian_buy, "Contrarian Buy", shape.triangleup, location.belowbar, color.green, size=size.small)
plotshape(contrarian_sell, "Contrarian Sell", shape.triangledown, location.abovebar, color.red, size=size.small)
plotshape(liquidity_trap_up, "Liquidity Trap Up", shape.xcross, location.abovebar, color.red, size=size.tiny)
plotshape(liquidity_trap_down, "Liquidity Trap Down", shape.xcross, location.belowbar, color.green, size=size.tiny)