روند کلی بازار

نمودار یکساله هودل بیت کوین منبع: توییتر

پیش‌بینی روند بورس سهام ایران با استفاده از نوسان نمای موج الیوت و شاخص قدرت نسبی

1 دانشجوی دکتری، گروه حسابداری، دانشکده علوم انسانی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران.

2 استادیار، گروه حسابداری، دانشکده علوم انسانی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران.

3 استادیار، گروه کامپیوتر، دانشکده فنی مهندسی، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران.

چکیده

هدف: تئوری موج الیوت، از ابزارهای تحلیل تکنیکال و مبتنی بر روان‌شناسی افراد است که در سال‌های اخیر به‎ ابزار مهمی برای تحلیلگران و سرمایه‌گذاران تبدیل شده است. این تئوری، در تمام بازارهای مالی، به‌خصوص بازار سهام، وجود دارد که از آن استقبال عمومی شده و با حرکت توده‌ای همراه است. این پژوهش، برگرفته از این نظریه، در پی این هدف است که آیا از طریق نوسان‌نمای موج الیوت و الگوریتم‌های یادگیری ماشین از نوع دارای نظارت و طبقه‌بندی، می‌توان روند آتی بازار سهام ایران را پیش‌بینی کرد؟
روش: در این پژوهش، ابتدا داده‌های شاخص کل، به‌عنوان دماسنج اقتصاد و نمایانگر وضعیت کلی بازار سهام ایران از تاریخ 25/02/1387 تا 05/09/1399 به‌طور روزانه بررسی شد و با استفاده از نوسان‌نمای موج الیوت و شاخص قدرت حرکت، حرکات جنبشی و اصلاحی شناسایی و به سه دسته خرید، فروش و نگهداری برچسب‌گذاری شدند. سپس، خروجی این مرحله به سه الگوریتم یادگیری ماشین شامل درخت تصمیم، بیز ساده و ماشین بردار پشتیبان داده شد تا برای یادگیری و پس از آن، پیش‌بینی روند روی داده‌های آزمون، آزمایش شوند.
یافته‌ها: نتایج نشان داد که در شاخص‌ بورس اوراق بهادار تهران، شناسایی امواج الیوت امکان‌پذیر است و الگوریتم‌های ماشین بردار پشتیبان و درخت تصمیم، قادرند، روند شاخص کل را برای آینده با دقت بالای 90 درصد پیش‌بینی کنند.
نتیجه‌گیری: در بازار سرمایه ایران نمودار شاخص کل رفتار الیوتی رعایت شده و تمامی افراد فعال در بورس تهران، می‌توانند از روش پیشنهادی برای سیستم معاملاتی خود بهره ببرند.

کلیدواژه‌ها

• پیش‌بینی روند
• تحلیل تکنیکال
• تئوری موج الیوت
• الگوریتم‌های طبقه‌بندی

20.1001.1.10248153.1400.23.1.7.6

عنوان مقاله [English]

Predicting Stock Market Trends of Iran Using Elliott Wave Oscillation and Relative Strength Index

نویسندگان [English]

• Samira Seif 1
• Babak Jamshidinavid 2
• Mehrdad Ghanbari 2
• Mansour Esmaeilpour 3

1 PhD Candidate, Department of Accounting, Faculty of Humanities, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran.

2 , Assistant Prof., Department of Accounting, Faculty of Humanities, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran.

3 Assistant Prof., Department of Computer, Faculty of Engineering, Hamadan Branch, Islamic Azad University, Hamadan, Iran.

Objective: Elliott wave theory is one of the tools of technical analysis based on the psychology of individuals; which in recent years has become an important tool for analysts and investors. This theory exists روند کلی بازار in all financial markets, especially the stock market, which is widely welcomed and popular. Based on this theory, this study seeks to determine the future trend of the Iranian stock market through Elliott wave oscillators and machine learning algorithms supervised and classification.
Methods: Total index data from 2008-05-14 to 2020-11-25 were reviewed daily and Elliott wave patterns were identified using the Elliott wave oscillator and relative motion strength index and labeled into three categories: LONG, SHORT, and HOLD. Machine learning algorithms include Decision tree, Naive Bayes, Support vector machine to repeat these learning patterns, then tested on test data.
Results: The results showed that in the Tehran Stock Exchange index, identifiable Elliott waves and Support vector machine and Decision tree algorithms are able to predict the future trend of the روند کلی بازار total index with an accuracy of over 90 percent.
Conclusion: In the Iranian capital market, the chart of the Elliott Behavior Index is observed and all active persons in the Tehran Stock Exchange can use the proposed method for their trading system.

کلیدواژه‌ها [English]

• Predict Trend
• Technical Analysis
• Elliott Wave Theory
• Classification Algorithms

مراجع

افشاری‌راد، الهام؛ علوی، سید عنایت‌اله؛ سینایی، حسنعلی (1397). مدلی هوشمند برای پیش‌بینی قیمت سهام با استفاده از روش‌های تحلیل تکنیکال. تحقیقات مالی، 20(2)، 249-264.

پورزمانی، زهرا؛ رضوانی اقدم، محسن (1396). مقایسه مقایسه کارآمدی استراتژی‎های ترکیبی تحلیل تکنیکال با روش خرید و نگهداری برای خرید سهام در دوره‌های صعودی و نزولی. فصلنامهعلیپژوهشیدانشمالی تحلیل اوراق بهادار، 10(33)، 17- 31.

پیمانی فروشانی، مسلم؛ ارضا، امیرحسین؛ صالحی، مهدی؛ صالحی، احمد (1399). بازدهی معامله ها بر اساس نمودارهای شمعی در بورس اوراق بهادار تهران. تحقیقاتمالی، 22(1)، 69-89.

شهرآبادی، ابوالفضل؛ بشیری، ندا (1389). مدیریتسرمایه‌گذاریدربورساوراقبهادار تهران. تهران: سازمان بورس و اوراق بهادار.

غلامیان، الهام؛ داوودی، محمدرضا (1397). پیش‌بینی روند قیمت در بازار سهام با استفاده از الگوریتم جنگل تصادفی. مجله مهندسی مالی و مدیریت اوراق بهادار، 9(35)، 301- 322.

فخاری، حسین؛ ولی پور خطیر، محمد؛ موسوی، سیده مائده (1396). بررسی عملکرد شبکه عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل‌های کلاسیک در پیش‌بینی قیمت سهام شرکت‌های سرمایه‌گذاری. تحقیقات مالی، 19 (2)، 299-318.روند کلی بازار

فلاح‌پور، سعید؛ گل ارزی، غلامحسین؛ فتوره چیان، ناصر (1392). پیش‌بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار تهران. تحقیقات مالی، 15 (2)، 269- 288.

مورفی، جان (1397). تحلیل تکنیکال در بازارهای سرمایه. (کامیار فرهانی فرد و رضا قاسمیان لنگرودی، مترجمان).( چاپ دوازده). تهران: انتشارات چالش.

Afsharirad, E., Alavi, S.E., Sinaei, H. (2018). Developing an Intelligent Model to Predict Stock Trend Using the Technical Analysis. Financial Research Journal, 20 (2), 249-264.
(in Persian)

Aggarwal, C. C. (2014). Data Classification: Algorithms and Applications. Minneapolis, Minnesota, U.S.A.: Chapman and Hall/ CRC.

Atsalakis, G., & Valavanis, K. A. (2009). Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Journal of Expert Systems with Applications, 36, 10696–10707.

Chambers, L. (2016). Daily stock movement’s prediction using and integrating three models Of analytical prediction of adaptive-fuzzy inductive inference system. artificial neural networks and supporting vector machines. London, Champan & Hall.

Fakhari, H. Valipour Khatir, M. & Mousavi, M. (2017). Investigating Performance of Bayesian and Levenberg-Marquardt Neural Network in Comparison Classical Models in Stock Price Forecasting. Financial Research Journal, 19 (2), 229-318. (in Persian)

Fallahpour, S., Golzarzi, GH. and Fatorehchian, N. (2013). Predicting the trend of stock prices using support vector machine based on genetic algorithm in Tehran Stock Exchange. Financial Research, 15 (2), 288-269. (in Persian)

Farid, D. M., Zhang, L., Rahman, C. M., Hossain, M. A., & Strachan R. (2014). Hybrid decision tree and naive Bayes classifiers for multi-class classification tasks. Expert Systems with Applications, 41(4), 1937-1946.

Ford, N., Batchelor, B., & Wilkins, B. R. (1970). A learning scheme for the Nearest Neighbor Classifier. Information Sciences, 2 (2), 139-157.

George, S., Emmanouil, M and Constantinos D. (2011). ElliottWace Theory and neuro-fuzzy systems, in stock market prediction, the WASP system, Expert Systems with Applications, 38(8), 9196-9206.

Gholamian, Elham, Davoodi, Mohammad Reza. (2018). Predict price trends in the stock market using a random forest algorithm. Journal of Financial Engineering and Securities Management, No. 35 / summer. (in Persian)

Ismaili, M. (2012). Concepts and techniques of data mining. First Edition. Tehran: Niaz روند کلی بازار Danesh Publications. 20-30. (in Persian)

Khan, W., Malik, U., Mustansar, A.GH., Awais Azam, M. (2019). Predicting stock market trends using machine learning algorithms via public sentiment and political situation analysis, Soft Computing, 24, 11019-11043. https://doi.org/10.1007/s00500-019-04347-y.

Larson, C. (1931). The shrinkage of the coefficient of multiple correlations. Journal of Educational Psychology, 22(1), 45–55.

Liu, C., Wang, J., Xiao, D., & Liang, Q. (2016). Forecasting S&P 500 Stock Index Using Statistical Learning Models. Open Journal of Statistics, 6 (06), 1067.

Masry, M. (2017). The Impact of Technical Analysis on Stock Returns in an Emerging Capital Markets (ECM¡¯s) Country: Theoretical and Empirical Study. International Journal of Economics and Finance, 9(3), 91-107.

Murphy, J. (2018). Technical Analysis in Capital Markets. (Kamyar Farhanifard and Reza Ghasemian Langroudi, Trans) (12th ed), Tehran: Chalesh Publications. (in Persian)

Peymany Foroushany, M., Erzae, M.H., Salehi, M., & Salehi, A. (2020). Trades Return Based on Candlestick Charts in Tehran Stock Exchange. Financial Research Journal, 22(1), 69-89. (in Persian)

Pourzamani, Z., Rezvani Aghdam, M. (2017). Comparison comparing the effectiveness of combined technical analysis strategies with buying and holding methods to buy stocks in uptrends and downtrends. Quarterly Journal of Financial Research in Securities Analysis, 10 (33). (in Persian)

Rish, I. (2001). An empirical study of the naive Bayes classifier. In IJCAI 2001. Workshop on empirical methods in artificial intelligence, 3(22), 41-46.

Roberto Cervelló-Royo, Francisco Guijarr. (2020). Forecasting stock market trend: a comparison of machine learning algorithms Finance, Markets and Valuation, 6, 37–49.

Shahrabadi, A., Bashiri, N. (2010). Investment Management in Tehran Stock Exchange, Stock Exchange and Securities Organization. (in Persian)

Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistics Society, 36(2), 111-133.

Tabar, S. (2018). Stock Market Prediction Using Elliot Wave Theory and Classification. Faculty of the Graduate College at the University of Nebraska in Partial Fulfillment of Requirements. Degree of Doctor of Philosophy Major: Information Technology Omaha.

Tsaih, R., Hsu, Y. and Lai, C.C. (1998). Forecasting S&P 500 stock index futures with a hybrid AI system. Decision Support Systems, 23(2), 161-174.

Wagner, L. D. (1979). Distribution-free performance bounds for potential function rules. IEEE Transactions in Information Theory, 601-604.

Wang, L.X. (2012). An Empirical Analysis of Eliot Wave Theory in China's Futures Market, China’s Foreign Investment, 4, 253–254.

Yang, H., Chan, L., & King, I. (2002). Support vector machine regression for volatile stock market prediction. International Conference on Intelligent Data Engineering and Automated Learning. Manchester, UK.

Yu, G., & Wenjuan, G. (2010). Decision tree method in financial analysis of listed logistics companies. International conference on intelligent computation technology and automation.

نقاط خروج از معامله

یکی از عوامل حیاتی بقای معامله‌گران در بازار مالی، مدیریت سرمایه است. نواحی ورود و خروج از معامله، دو بخش اصلی یک استراتژی معاملاتی کامل می‌باشند. مدیریت ریسک معاملات در بازار سهام، در گرو تعیین نقاط خروج بهینه در شرایط سود و زیان است. به عبارت دیگر، در صورتی که حین ورود به موقعیت معاملاتی، برنامه خروج احتمالی ما مشخص نشده باشد؛ نمی‌توان حجم معاملاتی منطقی تعیین نمود و در نتیجه عملاً قادر به مدیریت سرمایه خود نخواهیم بود. تعیین نقاط خروج از موقعیت‌های معاملاتی، یکی از مهم ‌ترین مهارت‌های معامله‌گری است که به باور برخی کارشناسان اهمیت این موضوع از نحوه ورود به معامله نیز بیشتر است زیرا، حتی اگر در بهترین زمان ممکن نیز وارد بازار شده باشیم؛ اما نتوانیم برای خروج از معامله تصمیم درستی اتخاذ کنیم، قطعاً معاملات پرسودی نخواهیم داشت!

به طور کلی حین خروج از معاملات، نتایجی جز سود، زیان و در مواقع نادری خنثی(نقطه سر به سر) در انتظار ما نیست. در واقع اگر پیش بینی ما صحیح بوده باشد؛ در نقطه احتمالی پایان روند بر اساس استراتژی معاملاتی، سهام را به فروش می‌رسانیم و در صورت اشتباه بودن دیدگاه ما نسبت به روند آتی سهم، در ناحیه‌ای که دیگر امیدی برای بازگشت قیمت‌ها وجود ندارد؛ با پذیرش زیان از معامله خود خارج می‌شویم. عموماً در بازار مالی، معامله‌گران نقاط خروج خود را بر اساس روش‌های نموداری یا سایر روش‌های مبتنی بر تابلوی قیمت‌ و متناسب با افق سرمایه‌گذاری خود تعیین می‌کنند که در مقالات بعدی بلاگ آسان بورس به شرح این اصول و ابزار تحلیلی می‌پردازیم. فلسفه اصلی تعیین نقاط خروج این است که در مواقع حرکات موافق بازار بتوانیم در ناحیه مناسبی از بازار خارج شده تا سود حاصل از معاملات از دست نرود و زمانی که بازار در جهت مخالف ما در حال پیشروی است؛ در بهترین نقاط ممکن دارایی خود را به فروش رسانده و از زیان بیشتر جلوگیری کنیم.

نقاط خروج از معامله در بازار مالی، به دو دسته کلی حد سود و حد زیان تقسیم می‌شوند؛ که در ادامه به توضیح آن‌ها خواهیم پرداخت.

حد سود چیست؟

ناحیه بهینه خروج از بازار حین حرکت قیمت در جهت موافق موقعیت معاملاتی و صحت پیش بینی را، اصطلاحاً حد سود می‌نامند. در درجه اول هدف از تعیین حد سود این است که بتوانیم بازدهی مورد انتظار از معاملات خود را محاسبه کنیم و همچنین برنامه از پیش تعیین شده‌ای برای فروش دارایی خود داشته باشیم تا، هنگام تصمیم برای خروج از معامله دچار طمع یا استرس نشده و در مواقع رسیدن به سود مد نظر، بدون هیچ‌گونه اتلاف وقتی از معامله خارج شویم. تعیین حد سود پیش از ورود به معامله الزامی است زیرا، همگان می‌دانند روندهای بازار مالی پایدار نیستند و باید رویکردهای تدافعی حفاظت از سود داشته باشیم تا بازدهی مناسبی کسب کنیم.

حد سود به ما توانایی قیاس بین موقعیت‌های معاملاتی مختلف را می‌دهد؛ تا از ورود به معاملاتی که پتانسیل سوددهی مناسبی ندارند، اجتناب نموده و در صورت وجود چندین موقعیت مناسب هم‌زمان، بتوانیم از لحاظ بازده مورد انتظار، بهترین آن‌ها را برگزینیم. گاهاً مشاهده می‌شود؛ معامله‌گران تمرکز اصلی خود را بر نقطه ورود و حد ضرر گذاشته و توجه خاصی به تعیین حد سود ندارند. این رویکرد کاملاً اشتباه است زیرا، در این صورت شما برنامه خاصی برای خروج نداشته و تابع شرایط جاری بازار هستید. در چنین وضعیتی، اگر معامله‌گر از تجربه و مهارت بالایی برخوردار نباشد؛ امکان از دست رفتن سودها و تبدیل معاملات موفق به موقعیت‌های بازنده بسیار محتمل است. .

حد ضرر چیست؟

حد زیان در نقطه مقابل حد سود قرار دارد. نقطه خروج از بازار به هنگام پیشروی قیمت بر خلاف موقعیت معاملاتی، سطح توقف زیان یا حد ضرر نام دارد. به محض رسیدن قیمت به این ناحیه، معامله‌گران باید سهام خود را به فروش برسانند زیرا، حد زیان نیز همانند حد سود یک رویکرد تدافعی در مقابل نوسانات بازار محسوب شده و هدف آن پیش‌گیری از وقوع زیان بیشتر است. تعیین و پایبندی به حدود زیان، یکی از نکات کلیدی سرمایه‌گذاری موفق در بازار مالی است. فردی که هیچ‌گونه محدودیتی برای زیان خود قائل نباشد، قطعاً نمی‌تواند معاملات موفقی را تجربه کند!

در واقع معامله‌گری بدون حد ضرر را می‌توان به رانندگی عمدی با خودروی بدون ترمز تشبیه نمود که به احتمال خیلی زیاد منجر به مرگ سرنشینان آن خواهد شد. فایده اصلی حد ضرر این است که پیش از وقوع زیان‌های سنگین و شرایط بحرانی به معامله‌گر یادآوری می‌شود؛ در صورت شکست این ناحیه ممکن است هیچ نقطه توقفی برای بازار وجود نداشته باشد!

در مبحث تعیین ریسک معاملات نیز، حد ضرر نقش اساسی ایفا می‌کند. در صورتی که ما پیش از ورود به معامله، سطح توقف زیانی مشخص نکنیم، قادر به تعیین حجم بر اساس حداکثر ریسک، نخواهیم بود. ذکر این نکته الزامی است که هنگام تعیین و اعمال نقاط خروج از معامله در بورس سهام تهران، شرایط خاص این بازار نظیر محدودیت درصد نوسان مجاز روزانه و صفوف خرید و فروش را نیز در نظر بگیرید تا، با موقعیت‌های غیر منتظره‌ای مواجه نشده و در تمام مواقع امکان اعمال تصمیمات معاملاتی خود را داشته باشید.

نقاط خروج ثابت یا متحرک

یکی روند کلی بازار از پندهای سرمایه‌گذاری رایج در بازار مالی این است که؛ ” ضررهایتان را محدود کرده و به سودهایتان اجازه پیشروی دهید “.

تأکید این جمله بر داشتن حد ضرر معقول و حد سود حداکثری اما قابل دسترس می‌باشد؛ تا در مواقع درست بودن تحلیل‌ها، به بهترین نحو ممکن از شرایط بازار بهره‌مند شوید. برخی معامله‌گران مجرب و حرفه‌ای، در عوض مقادیر ثابت حد سود و زیان، از نقاط خروج متحرک استفاده می‌کنند تا، بازدهی حداکثری و ریسک حداقلی داشته باشند. زمانی که بازار در مراحل ابتدایی طبق پیش بینی آن‌ها عمل کند؛ با جابجایی حد ضرر خود در مسیر سوددهی، ریسک معاملات را تا نزدیکی صفر تقلیل داده و در ادامه بخشی از سود خود را نیز اصطلاحاً قفل می نمایند که در صورت حرکات بازگشتی احتمالی تمام سود آن‌ها از بین نرفته باشد. همچنین زمانی که معاملاتشان در آستانه حد سود باشد؛ با تحلیل دقیق قدرت روند و شرایط حاکم بر بازار، اهداف سوددهی خود را در سطوح بالاتر قرار داده تا، از تمام پتانسیل موقعیت معاملاتی خود استفاده کرده باشند.

تعیین حد سود و زیان و اعمال آن‌ها در جریان معامله‌گری، روش‌های مختلفی دارد که هر سرمایه‌گذار باید بر اساس مهارت کاری خود بهترین روش را برگزیند.

۲ نشانه صعودی در داده‌های آنچین شبکه بیت کوین؛ آیا امکان تغییر روند وجود دارد؟

داده‌های درون زنجیره‌ای شبکه بیت کوین نشان می‌دهد که تعداد کوین‌هایی که به مدت یک سال یا بیشتر جابه‌جا نشده‌اند در حال کاهش است که به معنای پایان دوره انباشت بیت کوین تلقی می‌شود. همچنین موجودی BTC در صرافی‌های رمزارز به پایین‌ترین میزان ۴ ساله خود رسیده است.

به گزارش میهن بلاکچین و به نقل از کوین تلگراف، اگر روال هودل تاریخی رمزارز BTC تکرار شود، بیت کوین می‌تواند روند صعود جدید خود را آغاز کند. از تحقیقی که بر اساس آخرین داده‌های عرضه دست نخورده بیت کوین به مدت بالای یکسال – تا جولای ۲۰۲۲ (تیر ۱۴۰۱) – انجام شده است می‌توان این نتیجه‌ را برداشت کرد.

شاخص موج هادل از پایان بازار نزولی خبر می‌دهد

بر اساس اطلاعات تحلیل‌گری به نام مایلز جوال (Miles Johal) در تاریخ ۲۰ جولای (۷ مرداد ۱۴۰۱) یک الگوی سقف گرد (Rounded Top) در نمودار موج هادل بیت کوین در حال کامل شدن است. به گفته او مانند گذشته احتمالا شاهد واکنش قیمت بیت کوین باشیم.

شاخص موج HODL بیتکوین، عرضه آن را بر اساس آخرین باری که هر بیت کوین انتقال داده شده است، تجزیه و تحلیل می‌کند که موج هادل یک ساله در حال حاضر رسیدن عرضه به حداکثر را منعکس می‌کند.

با این حال، داده‌های تاریخی نشان می‌دهد کند شدن موج HODL یک ساله (که نشان می‌دهد انباشت بیت کوین در حال کم شدن است) و در ادامه پیدا شدن نشانه‌های بازگشتی آن، همواره در ابتدای یک روند صعودی پدیدار شده‌اند. این موضوعی است که به اعتقاد جوال، تحلیلگران کمتر به آن توجه نشان داده‌اند. در تصویر زیر این موضوع با فلش سبز رنگ نمایش داده شده است.

نمودار یکساله هودل بیت کوین منبع: توییتر

موجودی صرافی‌ها به پایین‌ترین مقدار خود از سال ۲۰۱۸ رسیده است

تحلیل آن‌چین گلسنود نیز روند مستمر خروج بیت کوین از صرافی‌ها را نشان می‌دهد. مقدار بیت کوین موجود در کیف پول صرافی‌ها اکنون به ۱۲.۶٪ از عرضه کل BTC رسیده است و افت ۴.۶٪ نسبت به مارچ ۲۰۲۰ (اسفند ۱۳۹۸) را نشان می‌دهد. در واقع مقدار بیت کوین موجود در صرافی‌ها ۲.۴ میلیون واحد است درحالی که در مارچ ۲۰۲۰ این مقدار برابر ۳.۱۵ میلیون واحد بود.

موجودی بیت کوین صرافی‌ها منبع: گلسنود

کاهش سودآوری ماینرها با کاهش قیمت‌ها؛ آیا این روند می‌تواند تغییر کند؟

بر اساس آخرین داده‌های Glassnode، موجودی ماینرهای بیت کوین به بالاترین حد خود در چهار سال گذشته رسیده و از ۱٬۸۴۵٬۳۰۳ واحد بیتکوین فراتر رفته است. آمارها نشان می‌دهد مقدار عرضه کل ذخیره شده در آدرس‌های ماینرها از ابتدای سال علی‌رغم کاهش‌های جزئی در طول مسیر، به طور پیوسته رو به افزایش بوده است.

کاهش شدید قیمت‌ها باعث شد ماینرها پس از سال‌ها برای به حداقل رساندن زیان احتمالی، بخش قابل توجهی از دارایی‌های خود را بفروشند. علی‌رغم افزایش جزئی در طول هفته، هش ریت شبکه بیت کوین ضربه بدی خورد و تا نزدیک به ۲۰۷ میلیون Th/s کاهش یافت که به معنای کاهش بیش از ۱۷٪ نسبت به رکورد تاریخی آن است.

سختی استخراج یک بلاک بیت کوین نیز با ۵٪ کاهش به ۲۷.۶۷ تریلیون رسید. طبق نمودار Blockchain.com، سختی شبکه همچنان روند نزولی خود را حفظ کرده است. شایان ذکر است، این بزرگترین تغییر روند از زمان ممنوعیت استخراج در چین بوده است.

• آیا بازار خرسی بیت کوین تمام شده است؟

هرچند که شاخص موج هادل نشان‌دهنده پایان روند انباشت و آغاز روند صعودی است و موجودی بیت کوین در صرافی‌ها نیز به شدت کاهش یافته است؛ هیچ‌گاه نمی‌توان به دو یا چند شاخص به صورت ایزوله نگاه کرد. شاخص‌های دیگری را هم می‌توان یافت که نشان‌دهنده ادامه بازار نزولی باشند. ممکن است این دو نشانه صعودی نشانه افزایش قیمت در کوتاه مدت باشند اما روند کلی بازار همچنان خرسی است و به نظر می‌رسد تا اتمام این روند مدت زیادی فاصله داشته باشیم.

چگونه برگشت ها را شناسایی کنیم؟

تشخیص فرق اصلاح و برگشت می تواند معاملات منجر به ضرر را کاهش داده و حتی شما را برای معاملات برنده آماده سازد.

تشخیص و دسته بندی یک حرکت قیمتی که اصلاح است یا برگشت ، موضوعی بسیار مهم است. جهت اطلاع مالیات هم دارد. *سرفه*

تفاوت های کلیدی اصلاح موقتی قیمت و برگشت بلند مدت روند عبارتند از :

اصلاح روند	برگشت روند
معمولاً پس از حرکات قیمتی جهت دار عظیم رخ می دهد	می تواند در هر زمانی رخ دهد
کوتاه مدت ، برگشت کوتاه	حرکت بلند مدت قیمتی
اصول بنیادین (برای مثال ، اقتصاد کلان) تغییر نمی کند.	اصول بنیادین تغییر می کند ، که معولا تسریع کننده برگشت بلند مدت هستند
در یک روند صعودی ، علاقه به خرید وجود دارد و احتمال افزایش قیمت را فراهم می کند. در روند نزولی ، علاقه به فروش وجود دارد و احتمال کاهش قیمت را فراهم می کند	در یک روند صعودی علاقه به خرید بسیار کمی وجود دارد که باعث می شود قیمت پایین تر رود. در یک روند نزولی علاقه به فروش بسیار کمی وجود دارد که باعث می شود قیمت بیشتر افزایش پیدا کند

نحوه شناسایی اصلاح

روش شماره 1: فیبوناچی اصلاح

یک روش محبوب برای شناسایی اصلاح ها استفاده از سطوح فیبوناچی است.

در بیشتر موارد ، اصلاح قیمت ها قبل از ادامه یافتن روند کلی ، در محدوده 38.2٪ ، 50.0٪ و 61.8٪ سطح فیبوناچی اصلاح واقع می شوند.

اگر قیمت از این سطوح فراتر رود ، ممکن است سیگنال برگشت روند باشد. دقت کنید که گفتیم ممکن است!

همانطور که احتمالا تاکنون متوجه شده اید ، تحلیل تکنیکال ، یک علم دقیق نیست ، به این معنی که هیچ چیز قطعی نیست ، به ویژه در بازار فارکس.

در این مثال ، قیمت پیش از ادامه روند صعودی نفسی تازه کرده و در 61.8٪ سطح اصلاح فیبوناچی استراحت کرده است.

بعد از مدتی ، دوباره پول بک زده است و پیش از اینکه به قیمت های بالاتر برود ، در سطح اصلاح 50٪ مستقر شده است.

روش شماره 2: نقاط پیووت

روش دیگر برای اینکه ببینید آیا قیمت در حال برگشت است یا خیر ، استفاده از نقاط پیووت است.

در یک روند صعودی ، معامله گران به نقاط حمایت پایینی S1 ، S2 ، S3 نگاه کرده و صبر می کنند تا شکسته شوند.

در یک روند نزولی ، معامله گران فارکس به نقاط مقاومت بالایی R1 ، R2 ، R3 نگاه کرده و منتظر می مانند تا شکسته شوند.

اگر این نقاط شکسته شوند ، ممکن است یک برگشت روند در دستور کار باشد! برای کسب اطلاعات بیشتر به درس سطوح پیووت مراجعه نمایید.

روش شماره 3: خطوط روند

آخرین روش ، استفاده از خط روند است. وقتی یک خط روند اصلی شکسته شود ، ممکن است یک برگشت صورت گیرد.

با استفاده از این ابزار تکنیکال در کنار الگوهای نموداری شمعی ژاپنی که قبلاً بحث شد ، یک معامله گر فارکس به احتمال زیاد خواهد توانست برگشت را شناسایی کند.

گرچه با استفاده از این روش ها می توان برگشت ها را شناسایی کرد ، اما تنها راهکار نیستند. در هر حال بهتر است بدانید ، هیچ چیز نمی تواند جای تمرین و تجربه را بگیرد.

با گذاشتن وقت کافی و رصد پیوسته بازار ، می توانید به روشی دست یابید که با شخصیت معاملاتی شما در شناسایی اصلاح ها و برگشت ها در بازار فارکس تناسب داشته باشد.

بازار گاوی چیست؟!

روند بازار از اساسی ترین جنبه های بازارهای مالی است. ما می توانیم روند بازار را به عنوان جهت کلی که یک دارایی یا یک بازار در حال حرکت است تعریف کنیم.

تجارت در بازارهای گاوی بسیار ساده است ، زیرا می توانند آسانترین روند کلی بازار استراتژی های تجارت و سرمایه گذاری را فراهم کنند. حتی معامله گران بی تجربه نیز ممکن است در شرایط واقعا مناسب بازار گاوی خوب عمل کنند. با این اوصاف ، درک چگونگی حرکت بازارها در چرخه ها نیز بسیار مهم است.

بازار گاوی وضعیت ای از بازار مالی است که در آن قیمت ها در حال افزایش هستند. اصطلاح بازار گاوی اغلب دربازار سهام استفاده می شود. با این حال ، می توان از آن در هر بازار مالی، از جمله فارکس ، اوراق قرضه ، کالاها ، املاک و مستغلات و رمزارزها استفاده کرد. علاوه بر این ، یک بازار گاو نر ممکن است به دارایی خاصی مانند بیتکوین ، اتریوم یا بایننس کوین نیز اشاره داشته باشد.

ممکن است شنیده باشید تاجران وال استریت از اصطلاحات “صعودی” و “نزولی” استفاده می کنند. وقتی یک تاجر می گوید در یک بازار صعودی هستند ، به این معنی است که آنها انتظار دارند قیمت ها افزایش یابد. وقتی نزولی داشته باشند ، انتظار دارند قیمت ها کاهش یابد.

به طور کلی ، وقتی از اصطلاح بازار گاوی استفاده می کنیم ، در مورد یک بازه زمانی چند ماهه یا سالانه صحبت می کنیم. همانند سایر تکنیک های تجزیه و تحلیل بازار.

برخی می گویند که بازار گاوی که بعد از بحران مالی 2008 شروع شد و تا زمان شیوع ویروس کرونا ادامه داشت “طولانی ترین بازار گاوی در طول تاریخ” بود.

برخی معتقدند که می توان روند مشابهی را با بیت کوین مشاهده کرد. همچنین لازم به ذکر است که اکثر رمزارزهای دیگر (یعنی altcoins) احتمالاً هرگز افزایش قیمت مشابه را تجربه نخواهند کرد ، بنابراین از آنچه در آن سرمایه گذاری می کنید بسیار آگاه باشید.

تفاوت بازار گاوی و بازار خرسی در چیست؟

اینها مفاهیم متضادی هستند ، بنابراین حدس زدن تفاوت آنها دشوار نیست. قیمت ها در بازار گاوی به طور مداوم در حال افزایش است ، در حالی که قیمت ها در بازار خرسی به طور مداوم در حال کاهش است.

در بازار خرسی بیشتر سرمایه گذاران تمایل دارند برای حفظ سرمایه خود آن را به صورت نقد در آورند، اما سرمایه گذارانی هستند که به آنها “خرس” می‌گویند و در این روند آنها تمایل دارند بازار هرچه بیشتر کاهشی باشد و آنها از این فرصت استفاده می‌کنند و به اصطلاح short می‌گیرند، واز روند نزولی بازار سود می‌برند.

چگونه معامله گران می توانند از بازارهای گاوی استفاده کنند

ایده اصلی در پشت معاملات بازارهای گاوی نسبتاً ساده است. قیمت ها در حال افزایش است. به همین دلیل استراتژی خرید و نگهداری به طور کلی برای بازارهای بلند مدت گاوی مناسب است.

بازارها می توانند تغییر کنند و تغییر خواهند کرد. همانطور که با شیوع COVID-19 مشاهده کردیم ، بازارهای گاوی چند ساله می تواند ظرف چند هفته از بین برود.

ما بحث کرده ایم که بازار گاوی چیست و چگونه معامله گران می توانند در شرایط بازار گاوی به معامله نزدیک شوند. به طور معمول ، ساده ترین استراتژی معاملات در هر روند بازار پیروی از جهت روند کلی است.

به همین ترتیب ، بازارهای گاوی ممکن است فرصت های تجاری خوبی حتی برای مبتدیان فراهم کند. با این حال ، همیشه مدیریت صحیح ریسک و ادامه یادگیری برای جلوگیری از اشتباهات تا حد ممکن ضروری است.