ianzeng123
Tổng quan
Phương pháp phân tích thống kê mô hình Fibonacci là một phương pháp giao dịch định lượng tiên tiến, nó kết hợp một cách khéo léo ba kỹ thuật cốt lõi của phân tích thống kê với mức độ phản hồi Fibonacci, thuật toán nhận dạng mô hình. Chính sách này chủ yếu sử dụng mức độ phản hồi Fibonacci 19% và 82,56% làm cơ sở cho tín hiệu giao dịch, đồng thời nhận ra các thiết lập giao dịch có khả năng cao thông qua thuật toán kết hợp mô hình và xác nhận bằng phân tích thống kê. Cơ chế xác nhận tín hiệu đa chiều này đã cải thiện đáng kể độ tin cậy và độ chính xác của chiến lược.
Nguyên tắc chiến lược
Nguyên tắc cốt lõi của chiến lược phân tích thống kê mô hình Fibonacci dựa trên sự phối hợp của ba thành phần chính:
Mức độ FibonacciChiến lược sử dụng các điểm cao nhất và thấp nhất trong 93 chu kỳ để tính toán các mức Fibonacci retracement đặc biệt là 19% và 82,56%. Những mức Fibonacci bất thường này là đặc trưng của chiến lược và có thể được dựa trên phân tích thống kê về hành vi cụ thể của thị trường.
Nhận dạng mô hình: Chiến lược thực hiện một thuật toán phù hợp với mô hình phức tạp bằng cách phân tích mô hình giá trị trong quá khứ và tính toán sự tương đồng với mô hình hiện tại. Nó sử dụng một mô hình phác họa có độ dài nhất định (bằng mặc định 5) và tìm kiếm sự phù hợp tốt nhất trong dữ liệu lịch sử (bằng mặc định 93 chu kỳ). Nếu sự tương đồng của mô hình được tìm thấy vượt quá ngưỡng thiết lập (bằng mặc định 0.7), chiến lược sẽ dự đoán sự di chuyển có thể xảy ra sau mô hình hiện tại dựa trên giá trị của mô hình sau lịch sử này.
Phân tích thống kê: Chiến lược giới thiệu cơ chế xác nhận thống kê để xác định sự phân bố thống kê của giá bằng cách tính toán trung bình, phần tư và khoảng cách phần tư (IQR). Các tín hiệu thống kê được tạo ra khi giá vượt qua trung bình, phần tư trên hoặc vượt qua giới hạn trên và dưới (được định nghĩa là Q3 + 1.5 * IQR và Q1 - 1.5 * IQR).
Tạo ra tín hiệu giao dịch là kết quả tổng hợp của ba thành phần:
- Các điều kiện khác nhau cần phải đáp ứng các tín hiệu Fibonacci chạm hoặc đột phá (tùy thuộc vào cài đặt của người dùng) và hướng mô hình là đa phương hoặc trung tính.
- Điều kiện làm không cần phải đáp ứng Fibonacci chạm hoặc phá vỡ tín hiệu, hướng mô hình là không hoặc trung tính, và quyền không thống kê quan trọng hơn 0 .
Chiến lược cũng thực hiện các cơ chế quản lý rủi ro phức tạp, bao gồm:
- Có thể chọn dừng lỗ dựa trên tỷ lệ phần trăm hoặc ATR
- Có thể chọn Trace Stop Loss
- Cơ chế thu lợi nhuận hàng loạt 7 cấp, mỗi cấp giảm 14,28%
Lợi thế chiến lược
Ghi nhận tín hiệu đa chiềuChiến lược kết hợp ba chiều phân tích kỹ thuật (Fibonacci), nhận dạng mô hình và phân tích thống kê, tạo ra một cơ chế xác nhận đa dạng mạnh mẽ, làm giảm đáng kể khả năng của tín hiệu giả.
Khả năng thích nghi caoChiến lược cung cấp các thiết lập tham số phong phú, bao gồm lựa chọn chu kỳ thời gian, chiều dài mô hình, ngưỡng tương tự, cửa sổ xem lại lịch sử, chu kỳ thống kê, v.v., cho phép nó thích ứng với các môi trường thị trường và các loại giao dịch khác nhau.
Nhận dạng mô hình thông minh: Các thuật toán kết hợp mô hình của chiến lược không chỉ xem xét hình dạng của mô hình, mà còn xem xét ngưỡng tương tự, đảm bảo rằng chỉ có mô hình tương tự cao sẽ được sử dụng để dự đoán, tăng độ chính xác của dự đoán.
Xác minh thống kêBằng cách giới thiệu các phương pháp thống kê của số thập phân và IQR, chiến lược có thể nhận ra vị trí của giá trong phân bố thống kê, cung cấp cơ sở khách quan bổ sung cho các quyết định giao dịch.
Quản lý rủi ro tốtChiến lược cung cấp nhiều tùy chọn dừng lỗ (% cố định, ATR, theo dõi dừng lỗ) và cơ chế thu lợi nhuận theo 7 cấp, quản lý rủi ro linh hoạt và có hệ thống.
Hình ảnh trực quanChiến lược cung cấp các yếu tố hình ảnh phong phú, bao gồm màu nền, mũi tên, dấu hiệu và thẻ, giúp thương nhân hiểu trực quan tình trạng thị trường hiện tại và cường độ tín hiệu.
Bảng trạng thái thực tế: Chiến lược hiển thị trên biểu đồ một bảng trạng thái cập nhật trực tiếp, hiển thị rõ ràng trạng thái hiện tại của ba thành phần Fibonacci, mô hình và thống kê, và kết quả tổng hợp của chúng.
Rủi ro chiến lược
Độ nhạy tham sốChiến lược sử dụng nhiều tham số, chẳng hạn như độ dài mô hình, ngưỡng tương tự, chu kỳ thống kê, các thiết lập các tham số có thể ảnh hưởng đáng kể đến hiệu suất của chiến lược. Thiết lập tham số không đúng có thể dẫn đến quá phù hợp hoặc mất tín hiệu.
Sự phụ thuộc vào môi trường thị trườngTrong một số môi trường thị trường, mức Fibonacci có thể không hiệu quả, đặc biệt là trong thị trường có xu hướng mạnh hoặc biến động cực kỳ. Hiệu quả của chiến lược có thể thay đổi theo điều kiện thị trường. Giải pháp là giới thiệu cơ chế kiểm tra môi trường thị trường, sử dụng các thiết lập tham số khác nhau trong các môi trường thị trường khác nhau.
Tính toán phức tạp: Các thuật toán so sánh mô hình của chiến lược cần phải đi qua dữ liệu lịch sử và tính toán tương tự trong mỗi chu kỳ, điều này có thể gây ra gánh nặng tính toán trong khung thời gian ngắn hơn. Để giảm thiểu vấn đề này, bạn có thể cân nhắc tối ưu hóa thuật toán hoặc giảm tần suất tính toán.
Rủi ro giao dịch quá mức: Cơ chế tín hiệu đa dạng có thể dẫn đến tín hiệu giao dịch thường xuyên, đặc biệt là trên khung thời gian ngắn hơn. Khuyến nghị thêm giới hạn tần số giao dịch hoặc bộ lọc cường độ tín hiệu, chỉ thực hiện tín hiệu chất lượng cao nhất.
Khó khăn trong thiết lập Stop Loss: Mặc dù có nhiều lựa chọn dừng lỗ trong chiến lược, việc xác định mức dừng lỗ tối ưu vẫn là một thách thức. Việc dừng lỗ quá chặt có thể dẫn đến việc dừng lỗ thường xuyên, và quá rộng có thể dẫn đến tổn thất quá lớn.
Thiếu cân nhắc cơ bảnChiến lược này hoàn toàn dựa trên phân tích kỹ thuật và thống kê, không tính đến các yếu tố cơ bản. Chiến lược kỹ thuật thuần túy có thể gặp thách thức khi có tin tức hoặc sự kiện quan trọng xảy ra. Giải pháp là thêm bộ lọc tin tức hoặc tạm dừng giao dịch trước hoặc sau sự kiện quan trọng.
Hướng tối ưu hóa chiến lược
Điều chỉnh tham số động: Có thể giới thiệu cơ chế thích ứng, điều chỉnh các tham số động theo biến động thị trường hoặc cường độ xu hướng, chẳng hạn như độ dài mô hình, ngưỡng tương tự và chu kỳ thống kê. Điều này sẽ cải thiện khả năng thích ứng của chiến lược trong các môi trường thị trường khác nhau.
Thuật toán phù hợp với mô hình tăng cườngPhương thức phù hợp hiện tại chủ yếu dựa trên mối quan hệ giữa giá đóng cửa và giá mở cửa (thăng, giảm hoặc phẳng), có thể xem xét việc đưa vào các đặc điểm mô hình phức tạp hơn, chẳng hạn như mối quan hệ điểm cao thấp, mô hình khối lượng giao dịch hoặc mô hình tỷ lệ dao động, để cải thiện độ chính xác của nhận dạng mô hình.
Phân loại môi trường thị trườngGhi chú: đưa ra các cơ chế phân loại môi trường thị trường, chẳng hạn như phân loại xu hướng / khoảng / hỗn loạn, và sử dụng các quy tắc giao dịch khác nhau hoặc thiết lập tham số trong các môi trường thị trường khác nhau. Điều này sẽ giúp chiến lược thích ứng tốt hơn với các điều kiện thị trường khác nhau.
Tối ưu hóa phần phân tích thống kê: Có thể xem xét sử dụng các phương pháp thống kê phức tạp hơn như Z-score hoặc xếp hạng phần trăm, hoặc giới thiệu chu kỳ thống kê động để cải thiện chất lượng tín hiệu thống kê.
Tích hợp học máy: Có thể xem xét sử dụng các thuật toán học máy để tối ưu hóa nhận dạng mô hình và phân bổ trọng số thống kê, hoặc dự đoán phân phối xác suất biến động giá sau một mô hình cụ thể.
Cải thiện quản lý rủi ro: Có thể thực hiện chiến lược quản lý vị trí động, điều chỉnh kích thước vị trí theo cường độ tín hiệu, biến động thị trường và rủi ro tài khoản. Ngoài ra, có thể tối ưu hóa cơ chế thu lợi nhuận theo lô, điều chỉnh mục tiêu thu lợi nhuận theo điều kiện thị trường.
Thêm bộ lọcGhi chú: Tiến hành các bộ lọc khác nhau, chẳng hạn như bộ lọc xu hướng, bộ lọc tỷ lệ dao động hoặc bộ lọc khối lượng giao dịch, để cải thiện hơn nữa chất lượng tín hiệu và giảm tín hiệu giả.
Tóm tắt
Phương pháp phân tích thống kê mô hình Fibonacci là một chiến lược giao dịch định lượng có cấu trúc và đầy đủ chức năng, nó kết hợp một cách sáng tạo các mức độ Fibonacci, nhận dạng mô hình và phân tích thống kê để xây dựng một hệ thống tín hiệu đa chiều mạnh mẽ. Điểm mạnh cốt lõi của chiến lược là cơ chế xác nhận nhiều lớp, thiết kế thích ứng và chức năng quản lý rủi ro tốt, cho phép tìm kiếm cơ hội giao dịch có xác suất cao trong các môi trường thị trường khác nhau.
Tuy nhiên, chiến lược cũng phải đối mặt với những thách thức như nhạy cảm tham số, phụ thuộc vào môi trường thị trường và tính toán phức tạp. Có rất nhiều không gian để cải thiện chiến lược bằng cách giới thiệu các hướng tối ưu hóa như điều chỉnh tham số động, tăng cường thuật toán so sánh mô hình, phân loại môi trường thị trường và học máy.
Đối với các nhà giao dịch muốn sử dụng chiến lược này, chúng tôi khuyên bạn nên bắt đầu bằng cách phản hồi xem chiến lược hoạt động như thế nào trong các thiết lập thị trường và tham số khác nhau, sau đó bắt đầu từ vị trí nhỏ trong giao dịch thực, dần dần điều chỉnh và tối ưu hóa các tham số để phù hợp với phong cách giao dịch và môi trường thị trường cụ thể. Quan trọng nhất là xem chiến lược này là một công cụ trong hộp công cụ giao dịch chứ không phải là một hệ thống độc lập, được sử dụng kết hợp với các phương pháp phân tích khác và các nguyên tắc quản lý rủi ro để tối đa hóa tiềm năng của nó.
/*backtest
start: 2024-03-03 00:00:00
end: 2024-05-01 00:00:00
period: 1h
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=6
strategy("Fibonacci-Only Strategi V2", overlay=true)
timeframe = input.timeframe("15", "Select Timeframe", options=["1", "5", "15", "30", "60", "240", "D"])
use_break_strategy = input(true, "Use Break Strategy")
stop_loss_percent = input.float(1.0, "Stop Loss %", minval=0.1, maxval=2.0, step=0.1)
use_atr_for_sl = input(true, "Use ATR for Stop Loss")
atr_multiplier = input.float(2.0, "ATR Multiplier for SL", minval=0.5, maxval=5.0, step=0.1)
use_trailing_stop = input(true, "Use Trailing Stop")
trailing_stop_percent = input.float(1.5, "Trailing Stop %", minval=0.1, maxval=5.0, step=0.1)
pattern_length = input.int(5, "Candle Pattern Length", minval=3, maxval=10)
similarity_threshold = input.float(0.7, "Pattern Similarity Threshold", minval=0.6, maxval=0.95)
lookback_window = input.int(93, "Historical Lookback Window", minval=10, maxval=93)
stat_period = input.int(50, "Statistical Period", minval=20, maxval=200)
stat_weight = input.float(0.5, "Statistical Confirmation Weight", minval=0.1, maxval=1.0, step=0.1)
fib_high = ta.highest(high, 93)
fib_low = ta.lowest(low, 93)
fib_diff = fib_high - fib_low
fib_19 = fib_high - fib_diff * 0.19
fib_8256 = fib_high - fib_diff * 0.8256
fib_19_reverse = fib_low + fib_diff * 0.19
plot(fib_8256, color=color.purple, style=plot.style_line, title="82.56% Fib")
plot(fib_19_reverse, color=color.orange, style=plot.style_line, title="19% Fib (Low to High)")
fib_19_touch = low[1] > fib_19 and low <= fib_19
fib_8256_touch = high[1] < fib_8256 and high >= fib_8256
fib_19_break = close < fib_19 and open > fib_19
fib_8256_break = close > fib_8256 and open < fib_8256
fib_19_reverse_touch = high[1] < fib_19_reverse and high >= fib_19_reverse
fib_19_reverse_break = close > fib_19_reverse and open < fib_19_reverse
bull_confirmation = close > open
bear_confirmation = close < open
getMedianAndQuartiles(src, len) =>
values = array.new_float(0)
for i = 0 to len - 1
array.push(values, src[i])
array.sort(values)
size = array.size(values)
median = size % 2 == 1 ? array.get(values, math.floor(size / 2)) : (array.get(values, size / 2 - 1) + array.get(values, size / 2)) / 2
q1_idx = math.floor(size / 4)
q3_idx = math.floor(3 * size / 4)
q1 = array.get(values, q1_idx)
q3 = array.get(values, q3_idx)
[median, q1, q3]
[price_median, price_q1, price_q3] = getMedianAndQuartiles(close, stat_period)
iqr = price_q3 - price_q1
upper_bound = price_q3 + 1.5 * iqr
lower_bound = price_q1 - 1.5 * iqr
stat_bull_signal = close > price_median and close[1] <= price_median
stat_bear_signal = close < price_median and close[1] >= price_median
stat_strong_bull = close > price_q3 and close[1] <= price_q3
stat_strong_bear = close < price_q1 and close[1] >= price_q1
stat_extreme_bull = close > upper_bound
stat_extreme_bear = close < lower_bound
long_condition_fib_touch = (fib_19_touch or fib_19_reverse_touch) and bull_confirmation
long_condition_fib_break = use_break_strategy and (fib_19_break or fib_19_reverse_break) and bull_confirmation
short_condition_fib_touch = fib_19_touch and bear_confirmation
short_condition_fib_break = use_break_strategy and fib_19_break and bear_confirmation
getPatternSignature(start_idx, len) =>
pattern = array.new_float(len)
for i = 0 to len - 1
if close[start_idx + i] > open[start_idx + i]
array.set(pattern, i, 1.0)
else if close[start_idx + i] < open[start_idx + i]
array.set(pattern, i, -1.0)
else
array.set(pattern, i, 0.0)
pattern
calcSimilarity(current_pattern, hist_pattern) =>
matches = 0.0
for i = 0 to array.size(current_pattern) - 1
if array.get(current_pattern, i) == array.get(hist_pattern, i)
matches := matches + 1.0
matches / array.size(current_pattern)
findBestMatch() =>
curr_pattern = getPatternSignature(1, pattern_length)
best_idx = -1
best_sim = 0.0
direction = 0
for i = pattern_length + 2 to lookback_window + 1
if i < pattern_length * 2
continue
hist_pattern = getPatternSignature(i, pattern_length)
sim = calcSimilarity(curr_pattern, hist_pattern)
if sim > best_sim and sim >= similarity_threshold
best_sim := sim
best_idx := i
next_close = close[i - pattern_length - 1]
curr_close = close[i - pattern_length]
if next_close > curr_close
direction := 1
else if next_close < curr_close
direction := -1
[best_idx, best_sim, direction]
var latest_pattern_sim = 0.0
var pattern_direction = 0
if barstate.isconfirmed
[idx, sim, dir] = findBestMatch()
if sim >= similarity_threshold
latest_pattern_sim := sim
pattern_direction := dir
calculateStatWeight(stat_signal, stat_strong, stat_extreme) =>
weight = 0.0
if stat_signal
weight := stat_weight * 0.5
if stat_strong
weight := weight + stat_weight * 0.3
if stat_extreme
weight := weight + stat_weight * 0.2
weight
stat_bull_weight = calculateStatWeight(stat_bull_signal, stat_strong_bull, stat_extreme_bull)
stat_bear_weight = calculateStatWeight(stat_bear_signal, stat_strong_bear, stat_extreme_bear)
long_condition = (long_condition_fib_touch or long_condition_fib_break) and
(pattern_direction == 1 or pattern_direction == 0)
short_condition = (short_condition_fib_touch or short_condition_fib_break) and
(pattern_direction == -1 or pattern_direction == 0) and
stat_bear_weight > 0
atr = ta.atr(14)
if long_condition
strategy.entry("Long", strategy.long)
if short_condition
strategy.entry("Short", strategy.short)
var float long_stop_loss = na
var float short_stop_loss = na
if strategy.position_size > 0
long_stop_loss := use_atr_for_sl ? strategy.position_avg_price - atr * atr_multiplier : strategy.position_avg_price * (1 - stop_loss_percent / 100)
if strategy.position_size < 0
short_stop_loss := use_atr_for_sl ? strategy.position_avg_price + atr * atr_multiplier : strategy.position_avg_price * (1 + stop_loss_percent / 100)
take_profit_levels = array.new_float(7)
for i = 0 to 6
tp_percent = 1 + (i + 1) * 0.5 / 100
array.set(take_profit_levels, i, tp_percent * strategy.position_avg_price)
if strategy.position_size > 0
if use_trailing_stop
trail_price = high - (high - strategy.position_avg_price) * trailing_stop_percent / 100
strategy.exit("Long TS", "Long", stop=math.max(trail_price, long_stop_loss))
else
strategy.exit("Long SL", "Long", stop=long_stop_loss)
for i = 0 to 6
long_tp_price = array.get(take_profit_levels, i)
strategy.exit("Long TP" + str.tostring(i+1), "Long", limit=long_tp_price, qty_percent=14.28)
if strategy.position_size < 0
if use_trailing_stop
trail_price = low + (strategy.position_avg_price - low) * trailing_stop_percent / 100
strategy.exit("Short TS", "Short", stop=math.min(trail_price, short_stop_loss))
else
strategy.exit("Short SL", "Short", stop=short_stop_loss)
for i = 0 to 6
short_tp_price = array.get(take_profit_levels, i)
strategy.exit("Short TP" + str.tostring(i+1), "Short", limit=short_tp_price, qty_percent=14.28)
bgcolor(long_condition ? color.new(color.green, 80) : short_condition ? color.new(color.red, 80) : na)
plotarrow(long_condition ? 1 : short_condition ? -1 : 0, title="Signal Direction", colorup=color.green, colordown=color.red, minheight=10, maxheight=20)
long_touch_marker = long_condition and long_condition_fib_touch ? low - atr : na
long_break_marker = long_condition and long_condition_fib_break ? low - atr * 1.5 : na
short_touch_marker = short_condition and short_condition_fib_touch ? high + atr : na
short_break_marker = short_condition and short_condition_fib_break ? high + atr * 1.5 : na
plotshape(long_touch_marker, style=shape.circle, color=color.green, size=size.normal, title="Long Touch Marker", location=location.absolute)
plotshape(long_break_marker, style=shape.xcross, color=color.green, size=size.normal, title="Long Break Marker", location=location.absolute)
plotshape(short_touch_marker, style=shape.circle, color=color.red, size=size.normal, title="Short Touch Marker", location=location.absolute)
plotshape(short_break_marker, style=shape.xcross, color=color.red, size=size.normal, title="Short Break Marker", location=location.absolute)
plotshape(stat_bear_signal, style=shape.triangledown, color=color.red, size=size.tiny, title="Statistical Bear Signal", location=location.abovebar)
if barstate.islast
var table info = table.new(position.top_right, 4, 5, color.black, color.white, 2, color.gray, 2)
table.clear(info, 0, 0, 3, 4)
table.cell(info, 0, 0, "Fibonacci-Pattern with Stats", bgcolor=color.blue, text_color=color.white)
table.cell(info, 0, 1, "Fib Status", bgcolor=color.blue, text_color=color.white)
fib_status = "NEUTRAL"
fib_color = color.gray
if long_condition_fib_touch or long_condition_fib_break
fib_status := "LONG"
fib_color := color.green
else if short_condition_fib_touch or short_condition_fib_break
fib_status := "SHORT"
fib_color := color.red
table.cell(info, 1, 1, fib_status, bgcolor=fib_color, text_color=color.white)
table.cell(info, 0, 2, "Pattern", bgcolor=color.blue, text_color=color.white)
pattern_status = "NEUTRAL"
pattern_color = color.gray
if pattern_direction == 1
pattern_status := "LONG"
pattern_color := color.green
else if pattern_direction == -1
pattern_status := "SHORT"
pattern_color := color.red
table.cell(info, 1, 2, pattern_status, bgcolor=pattern_color, text_color=color.white)
table.cell(info, 2, 2, pattern_direction != 0 ? str.tostring(math.round(latest_pattern_sim * 100)) + "%" : "N/A", bgcolor=color.gray, text_color=color.white)
table.cell(info, 0, 3, "Statistics", bgcolor=color.blue, text_color=color.white)
stat_status = "NEUTRAL"
stat_color = color.gray
if stat_bull_weight > 0
stat_status := "BULL"
stat_color := color.green
else if stat_bear_weight > 0
stat_status := "BEAR"
stat_color := color.red
table.cell(info, 1, 3, stat_status, bgcolor=stat_color, text_color=color.white)
table.cell(info, 2, 3, stat_bull_weight > 0 ? str.tostring(math.round(stat_bull_weight * 100)) + "%" :
stat_bear_weight > 0 ? str.tostring(math.round(stat_bear_weight * 100)) + "%" : "0%",
bgcolor=color.gray, text_color=color.white)
table.cell(info, 0, 4, "Combined", bgcolor=color.blue, text_color=color.white)
combined_status = "NEUTRAL"
combined_color = color.gray
if long_condition
combined_status := "LONG"
combined_color := color.green
else if short_condition
combined_status := "SHORT"
combined_color := color.red
table.cell(info, 1, 4, combined_status, bgcolor=combined_color, text_color=color.white)
var label_id = label.new(na, na, "", color=color.gray, style=label.style_label_down, textcolor=color.white)
if long_condition and barstate.isconfirmed
label.set_xy(label_id, bar_index, high)
label.set_text(label_id, "LONG\n" +
(long_condition_fib_touch ? "Touch" : "Break") +
(pattern_direction == 1 ? " + Pattern " + str.tostring(math.round(latest_pattern_sim * 100)) + "%" : "") +
"\nStat: " + str.tostring(math.round(stat_bull_weight * 100)) + "%")
label.set_color(label_id, color.green)
label.set_style(label_id, label.style_label_down)
if short_condition and barstate.isconfirmed
label.set_xy(label_id, bar_index, low)
label.set_text(label_id, "SHORT\n" +
(short_condition_fib_touch ? "Touch" : "Break") +
(pattern_direction == -1 ? " + Pattern " + str.tostring(math.round(latest_pattern_sim * 100)) + "%" : "") +
"\nStat: " + str.tostring(math.round(stat_bear_weight * 100)) + "%")
label.set_color(label_id, color.red)
label.set_style(label_id, label.style_label_up)
alertcondition(long_condition, title="Long Entry", message="Long entry signal detected")
alertcondition(short_condition, title="Short Entry", message="Short entry signal detected")