مدل ریاضی و تجربی «گرههای جاافتاده» (Bypassed Nodes) در پرایساکشن
تعریف مفهومی و شهودی گرههای جاافتاده
گره (Node) ناحیهای از قیمت است که در آن بازار توقف کوتاهمدت، نوسان ریز یا تراکم نشان میدهد. گره جاافتاده (Bypassed Node) زمانی رخ میدهد که قیمت در یک حرکت پرشتاب (جهت صعودی یا نزولی) از بازهای عبور کند بدون آنکه در مرزها یا مرکز آن بازه واکنش قیمتی کافی ثبت شود. بهصورت شهودی، این ناحیه بهعنوان «حساب ناتمام بازار» باقی میماند و در آینده احتمال واکنش به زیر، مرکز و بالای آن زیاد میشود.
- نشانهها: عبور سریع، کندلهای کشیده، سایههای کوتاه، نبود کندلهای تأییدی در بازه عبور.
- پیامد: تبدیلشدن به مقاومت/حمایت پنهان در آینده، مخصوصاً در برخوردهای نخستین.
فرمولبندی ریاضی پایه
قیمت را بهصورت یک فرایند \( p(t) \) در زمان پیوسته در نظر بگیرید. برای مدلسازی شدت عبور و فقدان بازدید، چند تابع کمکی تعریف میکنیم.
تابع سرعت و شدت حرکت
سرعت لحظهای قیمت:
\[
v(t) = \frac{dp(t)}{dt}
\]
شدت نرمالشده نسبت به میانگین بازه \( [t – \Delta t, t] \):
\[
\Gamma(t) = \frac{|v(t)|}{\frac{1}{\Delta t}\int_{t-\Delta t}^{t} |v(\tau)|\, d\tau}
\]
- معیار پرشتاب بودن: اگر \( \Gamma(t) \gg 1 \) برای توالی زمانی مشخص برقرار باشد، حرکت پرشتاب تلقی میشود.
چگالی بازدید قیمت
چگالی بازدید را بهصورت شمارش تراکنش/کندلهای عبوریِ نزدیک به سطح \( p \) در پنجره زمانی \( [t_0, t_1] \) تعریف کنید:
\[
f(p; t_0, t_1) = \int_{t_0}^{t_1} \kappa\!\big(p, p(t)\big)\, dt
\]
که در آن \( \kappa \) هستهای برای نزدیکی قیمت است (مثلاً کرنل گاوسی):
\[
\kappa\!\big(p, p(t)\big) = \exp\!\left(-\frac{(p – p(t))^2}{2\sigma^2}\right)
\]
- گره جاافتاده: بازهای \( [p_-, p_+] \) که در آن \( f(p; t_0, t_1) \) بهطور غیرعادی کوچک باشد.
تعریف رسمی گره جاافتاده
بگذارید \( \mu_f \) و \( \sigma_f \) بهترتیب میانگین و انحراف معیار \( f(p; t_0, t_1) \) بر روی دامنه قیمتی مورد نظر باشند. آنگاه بازه \( [p_-, p_+] \) یک گره جاافتاده است اگر:
\[
\forall p \in [p_-, p_+]:\quad f(p; t_0, t_1) \le \mu_f – k \cdot \sigma_f
\]
و همزمان در زمان عبور، شدت حرکت بزرگ باشد:
\[
\exists\, [\tau_-, \tau_+] \subseteq [t_0, t_1] :\quad p(\tau_-) \approx p_-,\; p(\tau_+) \approx p_+,\;\text{و}\;\Gamma(t) \ge \Gamma_{\min}\;\; \forall t \in [\tau_-, \tau_+]
\]
- پارامترها: \( k \) آستانه تشخیص (مثلاً \( k = 1 \) یا \( ۲ \))، \( \Gamma_{\min} \) حداقل شدت.
ساختار داخلی گره و نقاط واکنش
برای هر گره \( [p_-, p_+] \)، سه سطح کلیدی تعریف میکنیم:
\[
p_{\text{low}} = p_-,\qquad
p_{\text{mid}} = \frac{p_- + p_+}{2},\qquad
p_{\text{high}} = p_+
\]
- زیر گره: \( p_{\text{low}} \) اولین برخورد محتمل و اغلب محل واکنش اولیه است.
- وسط گره: \( p_{\text{mid}} \) ناحیه تعادل/آزمون کارایی عبور اولیه.
- بالای گره: \( p_{\text{high}} \) آخرین مرز و اغلب محل برگشت یا شکست نهایی.
تابع احتمال واکنش
احتمال واکنش (\( \mathcal{R} \)) را تابعی از شدت عبور، اندازه گره و عمق بازدید گذشته در نظر میگیریم:
\[
\mathcal{R}(p \mid [p_-, p_+]) =
1 – \exp\!\Big(-\alpha \cdot \underbrace{\overline{\Gamma}}_{\text{شدت عبور}} \cdot
\underbrace{\frac{p_+ – p_-}{\Delta p_{\text{ref}}}}_{\text{اندازه گره}} \cdot
\underbrace{\big(1 – \tilde{f}(p)\big)}_{\text{فقدان بازدید}}\Big)
\]
که در آن \( \overline{\Gamma} \) میانگین شدت در عبور اولیه، \( \Delta p_{\text{ref}} \) مرجع مقیاسبندی (مثلاً ATR)، و \( \tilde{f}(p) \) نرمالسازیشدهٔ چگالی بازدید است. \( \alpha \) پارامتر کالیبراسیون تجربی است.
معیارهای کشف خودکار در دادههای کندلی
برای دادههای OHLC در تایمفریم مشخص، کشف خودکار گرههای جاافتاده بر پایه سه معیار انجام میشود:
- معیار سرعت-بدنه:\[
\frac{\text{BodyLength}_t}{\text{ATR}_N} \ge \beta,\quad
\frac{\text{ShadowSum}_t}{\text{BodyLength}_t} \le \eta
\]
با آستانههای \( \beta \) (مثلاً ۱.۲–۲.۰) و \( \eta \) (مثلاً ۰.۵). - معیار پیوستگی عبور:\[
\sum_{i=t}^{t+M} \mathbb{1}\!\left(\frac{\text{BodyLength}_i}{\text{ATR}_N} \ge \beta\right) \ge m_{\min}
\]
که \( M \) طول دنبالهٔ عبور و \( m_{\min} \) حداقل شمار کندلهای پرشتاب است. - معیار فقدان بازدید در بازهٔ قیمتی:\[
\int_{t}^{t+M} \kappa\!\big(p, p(\tau)\big)\, d\tau \le \epsilon,\quad \forall p \in [p_-, p_+]
\]
با \( \epsilon \) کوچک.
انتخاب بازهٔ گره: بازهٔ \( [p_-, p_+] \) را میتوان از حدهای کندلهای آغاز و پایان عبور سریع استخراج کرد یا با ولوم پروفایل حداقلهای چگالی را محصور نمود.
فرضیه واکنش آینده و آزمونهای تجربی
فرضیهٔ اصلی: پس از عبور سریع و شکلگیری گره جاافتاده، احتمال واکنش قیمت در برخوردهای آتی با \( p_{\text{low}}, p_{\text{mid}}, p_{\text{high}} \) افزایش مییابد.
تعریف برخورد و واکنش
- برخورد:\[
\exists\, t^*: \; \min\{H_{t^*}, p_{\text{high}}\} – \max\{L_{t^*}, p_{\text{low}}\} \ge 0
\]
یعنی کندل \( t^* \) بازهٔ گره را لمس یا در آن وارد شود. - واکنش:\[
\Delta p_{\text{post}}(h) = p(t^* + h) – p(t^*),\quad
\text {واکنش معتبر اگر }|\Delta p_{\text{post}}(h)| \ge \rho \cdot \text{ATR}_N
\]
با افق \( h \) (تعداد کندلها) و آستانه \( \rho \).
متریکهای ارزیابی
- نرخ برخورد:\[
\text{HitRate} = \frac{\text{تعداد برخوردها}}{\text{تعداد فرصتها}}
\] - نرخ واکنش:\[
\text{ReactRate} = \frac{\text{تعداد واکنشهای معتبر}}{\text{تعداد برخوردها}}
\] - اندازهٔ واکنش:\[
\overline{|\Delta p_{\text{post}}(h)|},\quad \text{و توزیع کامل } \Delta p_{\text{post}}(h)
\]
آزمون آماری: با آزمونهای ناپارامتری (مثلاً مان-ویتنی) اثر گرهها را نسبت به نواحی غیرگره روی اندازهٔ واکنش مقایسه کنید؛ همچنین رگرسیون لجستیک برای مدلسازی احتمال واکنش برحسب \( \overline{\Gamma}, (p_+ – p_-), \tilde{f} \) بهکار برید:
\[
\Pr(\text{Reaction}=1) = \sigma\!\left(\beta_0 + \beta_1 \overline{\Gamma} + \beta_2 \frac{p_+ – p_-}{\text{ATR}_N} + \beta_3 (1 – \tilde{f})\right)
\]
که \( \sigma(x) = \frac{1}{1 + e^{-x}} \) است.
کاربرد معاملاتی و مدیریت ریسک
قواعد ورود و خروج مبتنی بر گره
- ورود:
ورود روی اولین برخورد با \( p_{\text{low}} \) یا \( p_{\text{high}} \) با تأیید کندلی (پینبار/انگالفینگ). - حد ضرر:\[
\text{SL} = p_{\text{edge}} \pm \lambda \cdot \text{ATR}_N
\]
با \( \lambda \in [0.5, 1.5] \) بسته به نوسان. - اهداف:\[
\text{TP}_1 = p_{\text{mid}},\quad \text{TP}_2 = p_{\text{opposite edge}}
\]
یا بر مبنای R: \( \text{TP} = \text{Entry} \pm R \cdot \text{Risk} \). - فیلتر جهت:\[
\text{Bias} = \text{sign}\!\left(\text{EMA}_{N_1} – \text{EMA}_{N_2}\right),\quad N_1 < N_2
\]
تخصیص اندازهٔ موقعیت
بر اساس احتمال واکنش تخمینی \( \mathcal{R} \) و واریانس بازده پس از برخورد، اندازهٔ موقعیت را کالیبره کنید:
\[
w \propto \frac{\mathcal{R}}{\text{Var}\big(\Delta p_{\text{post}}(h)\big)}
\]
الگوریتم کشف خودکار و شبهکد
گامهای پیشنهادی برای پیادهسازی روی دادههای کندلی:
- محاسبهٔ نوسان مرجع:
\[
\text{ATR}_N
\] - برچسبگذاری کندلهای پرشتاب:
\[
\frac{\text{BodyLength}_t}{\text{ATR}_N} \ge \beta,\;\; \frac{\text{ShadowSum}_t}{\text{BodyLength}_t} \le \eta
\] - تشخیص دنبالهٔ عبور: خوشهبندی کندلهای پرشتاب به دنبالههای پیوسته با طول \( \ge m_{\min} \).
- استخراج بازهٔ گره: از کمینهٔ Low و بیشینهٔ High دنبالهٔ عبور، \( [p_-, p_+] \) را بسازید.
- اعتبارسنجی فقدان بازدید:
\[
f(p; t_{\text{seq start}}, t_{\text{seq end}}) \le \mu_f – k\sigma_f
\] - ثبت نقاط واکنش: \( p_{\text{low}}, p_{\text{mid}}, p_{\text{high}} \).
- مانیتورینگ برخورد: تعریف برخورد و اندازهگیری \( \Delta p_{\text{post}}(h) \).
- آمار و کالیبراسیون: بهینهسازی \( \beta, \eta, m_{\min}, k, \Gamma_{\min}, \alpha \) بر اساس دادهٔ تاریخی.
مطالعهٔ موردی روی ناحیهٔ مقاومت و گره جاافتاده
فرض کنید در نمودار XAU/USD ناحیهای بین \( ۳۴۳۵ \) تا \( ۳۴۴۵ \) شکلگرفته که با حرکت سریع قبلی عبور شده است. با معیارهای فوق، بازهٔ \( [p_-, p_+] = [3435, 3445] \) یک گره جاافتاده تشخیص داده میشود. نقاط واکنش:
- زیر گره: \( p_{\text{low}} = 3435 \)
- وسط گره: \( p_{\text{mid}} = 3440 \)
- بالای گره: \( p_{\text{high}} = 3445 \)
در برخوردهای بعدی، واکنش معتبر را با آستانهٔ \( \rho \cdot \text{ATR}_N \) بررسی کنید و بر اساس نتیجه، ورود/خروج را مطابق قواعد مدیریت ریسک بالا تنظیم نمایید.
جمعبندی
گرههای جاافتاده چارچوبی منسجم برای شناسایی نواحی «حسابناتمام» بازارند: ترکیب شدت عبور، فقدان بازدید و ساختار سهگانهٔ مرز پایین/میانی/بالا، پایهای برای کشف خودکار، آزمون تجربی و بهرهبرداری معاملاتی فراهم میکند. با کالیبراسیون پارامترها بر دادهٔ تاریخی هر بازار، این ابزار میتواند به تصمیمسازی دقیق و مدیریت ریسک بهتر منجر شود.
