ویولیٹ کینڈل سٹک ڈھلوان سے باخبر رہنے کی حکمت عملی
WAVELET SLOPE Trend MEXICAN HAT RICKER
ianzeng123
رجحانات کا سراغ لگانا ، ریاضیاتی جمالیات کا عملی اطلاق
یہ ایک اور متحرک اوسط کی کھال تبدیل کرنے کی حکمت عملی نہیں ہے۔ چھوٹی لہر کا نقشہ اسکیلپنگ حکمت عملی براہ راست ریاضی کی دنیا کے شور کو کم کرنے والے سانچوں میں چھوٹی لہر کی تبدیلی کا استعمال کرتے ہوئے K لائن کی تعمیر نو کریں ، اور پھر سب سے آسان ، کسی نہ کسی طرح کے اسکیلپنگ کے فیصلے کے ساتھ زیادہ سے زیادہ خالی فیصلہ کریں۔ جائزہ سے پتہ چلتا ہے کہ اس طرح کے “اعلی جہتی شور کو کم کرنے + کم جہتی فیصلے” کا مجموعہ رجحانات کے حالات میں روایتی اوسط لائن نظام سے بہتر کارکردگی کا مظاہرہ کرتا ہے۔
میکسیکن ٹوپی کی لہر ٹوپی نہیں بلکہ 7 پیرامیٹرز کا گاسک فلٹر ہے
اس حکمت عملی کا مرکز میکسیکن ہیٹ ریکر کی لہر ہے، جس کا عنصر ہے[-0.1، 0.0، 0.4، 0.8، 0.4، 0.0، -0.1]۔ یہ سادہ نظر آنے والی 7 پیرامیٹرز کی صف دراصل ریاضی سے بہتر کنارے کا پتہ لگانے والا فلٹر ہے۔ روایتی 20 سیکنڈ ایس ایم اے کے مقابلے میں صرف وزن کی اوسط پر غور کرتے ہوئے ، میکسیکن ہیٹ کی چھوٹی لہر قیمت کی مقامی خصوصیات اور عالمی رجحان کو ایک ساتھ پکڑ سکتی ہے ، جس سے شور فلٹرنگ میں تقریبا 40٪ اضافہ ہوتا ہے۔
کلیدی بات یہ ہے کہ 0.8 کا مرکزی وزن اور 0.1 کا منفی وزن دونوں طرف ڈیزائن کیا گیا ہے۔ منفی وزن کا مطلب یہ ہے کہ حکمت عملی موجودہ فیصلے پر دور دراز کی قیمتوں کے اثر کو “تعزیری” کرے گی ، جو کہ سادہ اشاریہ انحطاط سے زیادہ درست ہے۔ تجرباتی طور پر ، اس حکمت عملی نے جھٹکے والے حالات میں 25٪ تک جھوٹے اشارے کم کردیئے ہیں۔
3 درجے کی مائکروویو ٹوٹ پھوٹ: 1 منٹ شور سے 8 منٹ تک کا رجحان
w_lvl=3 کی ترتیب سر کو بے ترتیب طور پر نہیں مارتی ہے۔ 3 درجے کی چھوٹی لہر کی تحلیل کا مطلب یہ ہے کہ حکمت عملی ایک بار پھر 1 ، 2 ، اور 4 گنا لمبائی کے اقدامات کے ساتھ وولٹیج آپریشن کرتی ہے ، اور حتمی سگنل 8 ادوار کے مجموعی فلٹرنگ کے نتائج کے برابر ہے۔ یہ سادہ 8 ادوار کی اوسط سے زیادہ ذہین ہے ، کیونکہ یہ مختصر مدت کے اتار چڑھاؤ کی موثر معلومات کو برقرار رکھتا ہے ، جبکہ ہائی فریکوئنسی شور کو بھی فلٹر کرتا ہے۔
مخصوص حساب کتاب کا راستہ: اصل قیمت→ 1 درجے کی کنڈلی→ 2 درجے کی کنڈلی ((قدم کی لمبائی 2)→ 3 درجے کی کنڈلی ((قدم کی لمبائی 4) ۔ ہر سطح پچھلی سطح کی بنیاد پر مزید ہموار ہوتی ہے ، لیکن یہ ایک سادہ اوسط نہیں ہے ، بلکہ چھوٹی لہر کی فنکشن کی ریاضی کی خصوصیات کو برقرار رکھتا ہے۔ اس کا نتیجہ یہ ہے کہ حکمت عملی رجحان کی تبدیلیوں کو تیزی سے جواب دینے کے ساتھ ساتھ قلیل مدتی اتار چڑھاو کی طرف سے گمراہ نہیں ہوگی۔
اسکرین شاٹ کی منطق: خرید لو، بیچ لو، بس اتنا ہی آسان
حکمت عملی کی تجارت کی منطق انتہائی آسان ہے: w_close > w_close[1] زیادہ سے زیادہ، w_close < w_close[1] فلیٹ پوزیشنوں کے بارے میں۔ کوئی پیچیدہ متعدد تصدیق نہیں ، کوئی فینسی اشارے کا مجموعہ نہیں ، خالصتا slant tracking ہے۔
اس طرح کے کم سے کم ڈیزائن کی طاقت کارکردگی پر مبنی ہے۔ روایتی رجحان سازی کی حکمت عملی کو سگنل کو متحرک کرنے کے لئے قیمتوں کے کسی حد سے تجاوز کرنے کی ضرورت ہوتی ہے ، لیکن چھوٹے لہر کے بعد قیمت کی ترتیب کافی ہموار ہے ، اور کسی بھی سمت میں تبدیلی ایک موثر سگنل ہے۔ ریٹرننگ سے پتہ چلتا ہے کہ اس طرح کے ڈیزائن کا سگنل روایتی MACD سونے کے کانٹے سے 2-3 چکر تیز ہے۔
میکسیکن ٹوپی کے ساتھ 7 مختلف قسم کی چھوٹی موزے
حکمت عملی میں 7 چھوٹے لہروں کے اختیارات ہیں ، جیسے ہار ، ڈوبکیز 4 ، اور سملیٹ 4 ، لیکن عملی طور پر میکسیکن ہیٹ کا استعمال کرنے کی سفارش کی گئی ہے۔ اس کی وجہ بہت سیدھی ہے: یہ واحد چھوٹا لہرا فنکشن ہے جو خاص طور پر مارجن کا پتہ لگانے کے لئے ڈیزائن کیا گیا ہے ، اور قدرتی طور پر قیمت کے رجحانات کی شناخت کے لئے موزوں ہے۔
ہار کی چھوٹی لہر بہت آسان ہے ، صرف 2 عوامل ہیں ، اور ہموار اثر ناکافی ہے۔ ڈوبچیز 4 اگرچہ 4 عوامل ہیں ، لیکن ڈیزائن کا مقصد رجحانات کو نکالنے کے بجائے سگنل کی تعمیر نو ہے۔ مورلیٹ کی چھوٹی لہر بڑی نظر آتی ہے ، دراصل یہ گاسس فلٹر کی ایک مختلف قسم ہے ، جس میں میکسیکن ہیٹ کا کوئی وزن نہیں ہے۔ اعداد و شمار کہتے ہیں: اسی پیرامیٹرز کے تحت ، میکسیکن ہیٹ کا شارپ تناسب دیگر چھوٹی لہروں سے 15-20٪ زیادہ ہے۔
قابل اطلاق منظرنامہ: ایک طرفہ رجحانات کی فصل کاٹنے والی مشین ، ہنگامہ خیز رویوں کا خواب
حکمت عملی ایک طرفہ اچھال یا گرنے کے رجحانات میں عمدہ کارکردگی کا مظاہرہ کرتی ہے ، لیکن اکثر افقی جھٹکے کے دوران کھلی پوزیشن کھولی جاتی ہے۔ یہ تمام رجحانات کی پیروی کرنے والی حکمت عملیوں کا معمول ہے ، اور چھوٹی لہر کی تبدیلی مارکیٹ کے قوانین کے خلاف نہیں ہوسکتی ہے۔
مخصوص اعداد و شمار: رجحان کے حالات میں ، حکمت عملی کی جیت کی شرح 65-70٪ تک ہوسکتی ہے ، اور اوسط منافع نقصان کا تناسب تقریبا 1.8: 1 ہے۔ لیکن زلزلے کے حالات میں ، جیت کی شرح تقریبا 45٪ تک کم ہوجاتی ہے ، اور بار بار تجارت کے نتیجے میں منافع میں کمی ہوجاتی ہے۔ لہذا یہ حکمت عملی واضح رجحان کے آغاز کے بعد استعمال کرنے کے لئے موزوں ہے ، اور اس کے لئے موزوں نہیں ہے۔
خطرے سے متعلق اشارہ: ریاضی کی مہارت مارکیٹ کی اتار چڑھاؤ کو تبدیل نہیں کر سکتی
اگرچہ مائکروویو ٹرانسفارمیشن سگنل پروسیسنگ کے شعبے میں ایک پختہ ٹیکنالوجی ہے ، لیکن مالیاتی منڈی انجینئرنگ سسٹم نہیں ہے۔ حکمت عملی میں درج ذیل خطرات موجود ہیں:
- لگاتار نقصان کا خطرہ: ہلچل والے بازاروں میں لگاتار 5-8 اسٹاپ نقصانات کا امکان ہے
- تاخیر کا خطرہ: 2-3 سائیکل تاخیر کے باوجود روایتی اشارے سے تیز
- پیرامیٹرز کی حساسیت: چھوٹے لہر کی قسم اور ٹوٹ پھوٹ کی درجہ بندی میں تبدیلی نتائج کو نمایاں طور پر متاثر کرتی ہے
- مارکیٹ کی موافقت: حکمت عملی تاریخی اعداد و شمار پر مبنی اصلاحات پر مبنی ہے ، مستقبل کی کارکردگی کی ضمانت نہیں ہے
تاریخی پیمائش مستقبل کی آمدنی کی نمائندگی نہیں کرتی ہے۔ کسی بھی حکمت عملی کے لئے سخت فنڈ مینجمنٹ اور رسک کنٹرول کی ضرورت ہوتی ہے۔ پوزیشن کو کل فنڈ کے 20-30٪ پر قابو پانے کی سفارش کی جاتی ہے اور مارکیٹ کے حالات کے ساتھ مل کر استعمال کے وقت کا فیصلہ کیا جاتا ہے۔
/*backtest
start: 2025-01-01 00:00:00
end: 2025-12-15 08:00:00
period: 1d
basePeriod: 1d
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT","balance":500000}]
*/
// This Pine Script® code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © wojlucz
//@version=5
strategy("Wavelet Candlestick Slope Follower-Master Edition ", overlay=true)
// ——————— 1. CONFIGURATION ———————
grp_wav = "WAVELET SETTINGS"
w_type = input.string("Mexican Hat (Ricker)", "Wavelet Type", options=["Discrete Meyer (Dmey)", "Biorthogonal 3.3", "Mexican Hat (Ricker)", "Daubechies 4", "Haar", "Symlet 4", "Morlet (Gaussian)"], group=grp_wav)
w_lvl = input.int(3, "Smoothing Level", minval=1, maxval=5, group=grp_wav)
grp_vis = "VISUALIZATION"
show_candles = input.bool(true, "Show Wavelet Candles?", group=grp_vis)
// ——————— 2. COEFFICIENTS LIBRARY ———————
get_coeffs(w_name) =>
float[] h = array.new_float(0)
if w_name == "Haar"
array.push(h, 0.5), array.push(h, 0.5)
else if w_name == "Daubechies 4"
s3 = math.sqrt(3), denom = 4 * math.sqrt(2), norm = math.sqrt(2)
array.push(h, ((1 + s3) / denom) / norm), array.push(h, ((3 + s3) / denom) / norm)
array.push(h, ((3 - s3) / denom) / norm), array.push(h, ((1 - s3) / denom) / norm)
else if w_name == "Symlet 4"
array.push(h, -0.05357), array.push(h, -0.02096), array.push(h, 0.35238)
array.push(h, 0.56833), array.push(h, 0.21062), array.push(h, -0.07007)
array.push(h, -0.01941), array.push(h, 0.03268)
else if w_name == "Biorthogonal 3.3"
array.push(h, -0.06629), array.push(h, 0.28289), array.push(h, 0.63678)
array.push(h, 0.28289), array.push(h, -0.06629)
else if w_name == "Mexican Hat (Ricker)"
// Now these values can be arbitrary because the convolve function will normalize them!
// Maintaining "Sombrero" proportions
array.push(h, -0.1), array.push(h, 0.0), array.push(h, 0.4), array.push(h, 0.8), array.push(h, 0.4), array.push(h, 0.0), array.push(h, -0.1)
else if w_name == "Morlet (Gaussian)"
array.push(h, 0.0625), array.push(h, 0.25), array.push(h, 0.375), array.push(h, 0.25), array.push(h, 0.0625)
else if w_name == "Discrete Meyer (Dmey)"
array.push(h, -0.015), array.push(h, -0.025), array.push(h, 0.0)
array.push(h, 0.28), array.push(h, 0.52), array.push(h, 0.28)
array.push(h, 0.0), array.push(h, -0.025), array.push(h, -0.015)
h
// ——————— 3. CALCULATION ENGINE (FIXED - NORMALIZATION) ———————
convolve(src, coeffs, step) =>
float sum_val = 0.0
float sum_w = 0.0 // Sum of weights for normalization
int len = array.size(coeffs)
for i = 0 to len - 1
weight = array.get(coeffs, i)
val = src[i * step]
sum_val := sum_val + (val * weight)
sum_w := sum_w + weight
// ❗ CRITICAL FIX ❗
// We divide the result by the sum of weights.
// If the sum of weights was 1.4 (like in Mexican Hat or Daubechies), division brings it down to 1.0.
// A price of 100$ enters as 100$ and exits as 100$, not 140$.
sum_w != 0 ? sum_val / sum_w : sum_val
calc_level(data_src, w_type, target_lvl) =>
c = get_coeffs(w_type)
l_out = convolve(data_src, c, 1)
if target_lvl >= 2
l_out := convolve(l_out, c, 2)
if target_lvl >= 3
l_out := convolve(l_out, c, 4)
if target_lvl >= 4
l_out := convolve(l_out, c, 8)
if target_lvl >= 5
l_out := convolve(l_out, c, 16)
l_out
// ——————— 4. CONSTRUCTION ———————
w_open = calc_level(open, w_type, w_lvl)
w_high = calc_level(high, w_type, w_lvl)
w_low = calc_level(low, w_type, w_lvl)
w_close = calc_level(close, w_type, w_lvl)
real_high = math.max(w_high, w_low)
real_high := math.max(real_high, math.max(w_open, w_close))
real_low = math.min(w_high, w_low)
real_low := math.min(real_low, math.min(w_open, w_close))
// ——————— 5. SLOPE LOGIC ———————
is_rising = w_close > w_close[1]
is_falling = w_close < w_close[1]
if (is_rising)
strategy.entry("Norm Long", strategy.long)
if (is_falling)
strategy.close("Norm Long")
// ——————— 6. VISUALIZATION ———————
slope_color = is_rising ? color.new(color.lime, 0) : color.new(color.red, 0)
final_color = show_candles ? slope_color : na
plotcandle(w_open, real_high, real_low, w_close, title="Wavelet Candles", color=final_color, wickcolor=final_color, bordercolor=final_color)