همبستگی کندل

مقایسه سه تابع عضویت مختلف در ارزیابی تناسب اراضی منطقه آمل به روش فازی

مجموعه‌های فازی، بدون مرزهای تیز و مجزا هستند. به‌طوری‌که، عبور از یک منطقه عضو به غیرعضو در کلاس، تدریجی است. یک مجموعه فازی توسط توابع عضویت‌ فازی تعریف می‌شود که از همبستگی کندل صفر تا یک متغیر است و نمایان گر افزایش تداومی و پیوسته از غیرعضویت کامل به عضویت کامل می‌باشد، از طرفی، تابع عضویت یکی از پارامترهای تأثیرگذار در ارزیابی تناسب اراضی به روش نظریه مجموعه های فازی است. هدف از این تحقیق، مقایسه سه تابع همبستگی کندل عضویت کندل، کوچی و ذوزنقه ای در ارزیابی تناسب اراضی شرق منطقه آمل برای گیاه برنج، بر اساس نظریه مجموعه های فازی می باشد. برای نیل به این هدف، ویژگی های اراضی (۸ ویژگی) براساس نظر فائو انتخاب، و ارزیابی تناسب اراضی به روش فازی در 17 واحد اراضی صورت پذیرفت. نتایج نشان داد که بر اساس وزن‌های به‌دست‌آمده، در هر سه نوع تابع عضویت مورد استفاده، اقلیم دارای بیشترین وزن و ظرفیت تبادل کاتیونی ظاهری دارای کمترین وزن (درجه اهمیت) در رشد محصول برنج در منطقه مطالعاتی می باشند. همبستگی بین شاخص اراضی و عملکرد مشاهده ‌شده در سطح منطقه، برای نظریه مجموعه های فازی با تابع عضویت کندل (0.98) بیشتر از توابع کوچی (0.75) و ذوزنقه ای (0.79) بود و اختلاف نسبتاً زیاد ضریب همبستگی محاسبه شده، نشان از دقت بالای تابع عضویت کندل دارد. همچنین در این روش، نرم افزار متلب با توجه به حدود انتقالی انتخاب ‌شده مناسب، توانسته وزن ها را به طور دقیق برآورد نماید. نهایتاً می توان چنین بیان کرد که اگر از توابع عضویت و حدود انتقالی مناسب در روش فازی استفاده گردد، می‌توان از آن به عنوان یک روش کارا در ارزیابی تناسب اراضی استفاده کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of three membership function in land suitability by fuzzy set theory in Amol region, IRAN

نویسنده [English]

• Moslem Servati 2

چکیده [English]

Fuzzy sets are classes without sharp boundaries; that is, the transition between membershipand non-memberships of a location in the class is gradual. A fuzzy set, is described by a fuzzy membership functions that range from 0.0 to 1.0, representing a continuous increase from non-membership to complete membership.‌ Additionally, membership function is one of important factors on land suitability evaluation by fuzy set theory. The goal ofthis research was the coparison of three membership functions in land suitability by fuzzy set theory in East Amol region for irrigated rice. In order to achive to this goal, 8 properties were selected based on FAO framework approach and then land suitability evaluation was done on 17 land units of study area. The results indicated that climate had higher and cation exchenge capacity had lower weights than other criteria in study reigin for the growth of irrigated rice. Calculated correlation coefficients between land index and observed production by fuzzy method with kandel membership function was (r= 0.98) more than Cauchy (r= 0.75) and Trapezoidal (r=0.79) Membership function and relatively large difference in calculated correlation coefficient had been identified in candele membership function provides better results than others. Additionally, matlab software correctly predicted oweral weithing of this method based on transitional range. Finally, it could be expressed that the appropriate membership functions and transition range in fuzzy set theory can be used as an efficient method in land suitability evaluation.

کلیدواژه‌ها [English]

مراجع

Ayoubi S.H., and Jalalian A. 2010. Land Evaluation (Agricultural and Natural Resources). 2 nd Ed. Isfahan University of Technology Publication Center, Isfahan, Iran, 385p. (In Persian)

Babaei M., Honarjoo N., and Toomanian N. 2014­. Qualitative land suitability evaluation using in fuzzy method and parametric for rice in Zarrinshahr of Isfahan province. In: The International Conference on New Ideas in Agriculture, Islamic Azad University Khorasgan branch, Isfahan, pp. 282-290.

Baja S., Chapman D.­M., and Dragovich D. 2001. A conceptual model for defining and assessing land management units using a fuzzy modeling approach in a GIS environment. Environmental Management, 29:­ 647-661.

Burrough P.­A. 1989. Fuzzy mathematical methods for soil survey and land evaluation. Journal of Soil Science, 40:­ 447–92.

Eaalem M., Camber A., and همبستگی کندل Fisher P. 2011 A comparison of Fuzzy AHP and ideal point methods for evaluation land suitability.Transactions in GIS Journal, 15(­3): 29-346.

Geological survey and Mineral Exploration of Iran. 2006. Geology Map of Iran, 1:100000 series, Shite N, Amol.

Hartati S., and Sitanggang I.­S. 2010. A fuzzy based decision support system for evaluating land suitability and selecting crops. Journal of Computer Science, 6­ (4): 417-424.

Liu Y., Jiao L., Liu Y., and He J. 2013. A self-adapting fuzzy inference system for the evaluation of agricultural land. Environmental Modelling and Software, 40: 226-234.

Newhall F., and Berdanie C.R. 1996. Calculation of soil moisture regimes from climatic record. Natural Resources Conversations Service, Soil Survey Investigation Report, 18p.

McBratney A.­B., and Odeh I.­O.­A. 1997. Application of Fuzzy sets in soil همبستگی کندل science: Fuzzy logic, fuzzy measurements and fuzzy decisions. Geoderma, 77: 85–113.

Page A.L., Miller R.H., and Keeney D.R. 2009. Methods of Soil Analysis-Part 1, 2. Physical, Chemical and Microbiological Methodes. 2 nd Ed. Agron. Monogr. 9. Soil Science Society of America, Madison, WI. 1186p.

Ruan D. 1990. A critrical study of widely used fuzzy implication operators and their influence on the influence rules in fuzzy expert systems. Ph.D Thesis of State Univecity of Gent, Belgium, 97p.

Sanchez J.F. 2007. Application of knowledge based and fuzzy theory-oriented approaches to suitability for upland rice and rubber. M.Sc Thesis of ITC, Netherland, 112p.

Schoeneberger P.­J., Wysocki D.­A., Benham E.C., and Broderson, W.D. 2006. Field Book for Describing and Sampling Soils. Natural Resources Conservation Service, USDA, National Soil Survey Center, Lincoln, NE, 314p.

Servati M., Jafarzadeh A.­A., Ghorban M. A., Shahbazi F., and Davatgar, N. 2014. Comparison of the FAO and Albero Models in Prediction of Irigated Wheat Production Potentials in the Khajehregion. Journal of Water and Soil Science, 24: 1-14. (In Persian).

Sys C., Van Ranst E., Debaveye J., and Beernaert F. 1993. Land Evaluation-Part 3. Crop Requirements. General Administration for Development Cooperation Place, Brussels, Belgium, 183p.

Tang H., Debaveye J., Ruan D., and Van Ranst E. 1991. Land suitability classification based on fuzzy set theory. Pedologie, 3:­277-290.

USDA. 2014. Keys to Soil Taxonomy. 12 th Ed. Soil Survey Staf, Natural Resource Conservation Service, 382p.

Van Ranst E., Tang H., Groenemans R., and sinthurahat S. 1996. Application of fuzzy logic to land suitability for rubber production in peninsular Thailand. Geoderma, 70­: 1-19.

Zhang J., Su Y., Wu Y., and Liang, H. 2015. GIS based land suitability assessment fortobacco production using AHP and fuzzy set in Shandong province of China. Computers and Electronics in Agriculture, 114: ­202–211.

Zhu A.X., Yang L., Li B., Qin C., Pei T., and Liu B. 2010. Construction of membership functions for predictive soil mapping under fuzzy logic. Geoderma, 155: 164-174.

طولانی‌ترین روند نزولی تاریخ بیت کوین: کندل هفتگی برای هشتمین بار متوالی در ضرر بسته شد

با وجود اینکه قیمت بیت کوین در هفت روز گذشته نوسان چندانی نداشته، وضعیت نمودار آن خوب به نظر نمی‌رسد. کندل هفتگی این ارز دیجیتال برای هشتمین بار متوالی در ضرر بسته‌‌ شده و مسیر قیمت هنوز مشخص نیست.

به گزارش کوین تلگراف، بیت‌ کوین در ابتدای هفته جاری شادی چندانی برای خریداران خود به ارمغان نیاورد و کندل هفتگی منتهی به ۲۲ مه (۱ خرداد) آن در نزدیکی ۳۰,۰۰۰ دلار و با ضرر بسته‌ شده‌ است.

نمودار قیمت بیت کوین به دلار در نمای یک‌ساعته.

بیت کوین بعد از اتمام هفته معاملاتی وال استریت (بازار سهام آمریکا) و در روزهای شنبه و یکشنبه در محدوده باریکی نوسان می‌کرد. با توجه به نبود نوسان‌‌های گسترده، معامله‌گران امیدوار بودند که این ارز دیجیتال به‌سمت نواحی حمایتی یا مقاومتی بالاتری حرکت کند.

کریپتو تونی (Crypto Tony)، معامله‌گر ارزهای دیجیتال، در این باره گفته‌ است:بیت کوین هنوز بین منطقه عرضه و تقاضا گیر کرده است. امیدوارم امروز این ارز دیجیتال یک شکست قیمتی داشته باشد تا فرصتی برای کسب سود ما فراهم شود.

طبق گفته‌های او، اهداف نزولی و صعودی این ارز دیجیتال به‌ترتیب حدود ۲۷,۹۰۰ و ۳۱,۰۰۰ دلار هستند.

متیو هایلند (Matthew Hyland)، تحلیلگر بازار ارزهای دیجیتال، هم با انتشار نمودار زیر گفته‌ است که بیت کوین در منطقه مهمی قرار دارد و باید تصمیم بگیرد که می‌خواهد صعود کند یا سقوط.

نمودار ۴ ساعته قیمت بیت کوین (تحلیل متیو هایلند).

مایکل ون دپوپ (Michaël van de Poppe)، یکی از نویسندگان وب‌سایت کوین تلگراف که اکثر مواقع دیدگاهی صعودی نسبت به قیمت بیت کوین دارد، گفته‌ است انتظار دارد در هفته آینده روند بیت کوین صعودی باشد و «اعدادی سبز روی نمودار» آن دیده شود.

همان طور که گفته‌ شد، بیت کوین هفته گذشته را در حوالی ۳۰,۰۰۰ دلار به اتمام رساند و کندل هفتگی آن برای هشتمین بار در ضرر بسته‌ شد. گفتنی است این خودش رکورد جدیدی محسوب می‌شود.

نمودار قیمت بیت به دلار در نمای هفتگی.

علاوه بر این، آشفتگی بازارهای بین‌المللی می‌‌تواند هفته مجمع جهانی اقتصاد را که از امروز شروع شده است، تحت‌الشعاع قرار دهد. شاخص «S&P500» در حال حاضر ۲۰ درصد پایین‌تر از اوج تاریخی خود قرار دارد و رسماً وارد بازار نزولی شده‌ است.

با این حال، پلن‌سی (PlanC)، یکی از تحلیلگران محبوب توییتر، به این نکته اشاره کرده است که همبستگی بیت کوین با بازار سهام در مقایسه با ماه‌های قبل کاهش یافته‌ است.

آموزش نرم افزار Timing Solution - قسمت 45

در این مقاله مدل های بلند مدت و میان مدت برای جفت ارز USD/Euro را شرح میدهیم. به عنوان یک رویداد قیمت برای مدل بلند مدت ، از اسیلاتور Hurst استفاده می شود: (45 ،90 ،0 ، Sym) RPO . مدل میان مدت از (5 ، 50 ، 50 ، Exp)RPO استفاده می کند. این تحقیق براساس داده های آتی FX Euro و شاخص دلار است.

در هنگام نوشتن این مقاله ، دغدغه اصلی من مربوط به موارد زیر بود:

- مقایسه انواع قیمت های برای اندیکاتور هایی که به عنوان رویدادهای قیمت استفاده می شوند.
- ایجاد مدلهای معتبر میان مدت و بلند مدت برای پیش بینی یورو / دلار.
- ارزیابی سازگاری مدلهای پیشنهادی با استفاده از روشهای دیگر؛
- مقایسه تأثیر فاکتورهای مختلف نجومی برای یک ابزار مالی مشابه و اندیکاتورهای های مختلف؛
- یافتن بهترین بازه آموزشی (Training Interval).

روند یافتن بهترین مدل برای هر ابزار مالی با "راه حل پدیده شناسی" (Phenomenological Solution) آغاز می شود. این راه حل به ما امکان آزمایش سریع مدل هایی که اثربخشی آنها در پیش بینی، قبلا تایید شده اند ، را میدهد. ما با بهترین این مدل ها کار خواهیم کرد. روش کار به چه صورت است؟ LBC را در اول ژانویه 2000 تنظیم کنید و Phenomenological Solution را برای اندیکاتور Hurst تنظیم کنید (قیمت Close را به عنوان قیمت مرجع در نظر بگیرید). در اینجا میتوانید نتایج را مشاهده کنید :

ابزار مالی : FX Euro.Csv
21 مدل تحلیل شده
اطلاعات LBC : 2048 آموزشی / 1615 آزمایشی
هدف : Rel. Osc. (45،90،0 Close , Sym1)

بهترین مدل ها عبارتند از: Ptolemy Aspects (نظرات بطلمیوسی) ، Spectrum ، Terms/Faces و 3 مدل FAM برای Phase Zodiac. تمام این مدلها به جز Spectrum ، پیش بینی بهتری در نیمه دوم بازه آزمایشی ارائه می دهند. ما در این مقاله در مورد Spectrum بحث نخواهیم کرد زیرا موضوع بحث ما مدلهای نجومی است. توجه داشته باشید که در بین مدلهای نجومی ، همبستگی در بازه آموزشی برای مدل Ptolemy Aspects و مدل Terms / Faces حتی بیشتر از مدلهای FAM است. این یک مزیت قابل توجه است زیرا ممکن است نشانه ای از کمتر بودن مقدار وارونگی باشد. به هر حال، این همبستگی فقط در حدود 20٪ است که این به اندازه کافی خوب نیست.

می خواهیم یکبار دیگر همان راه حل پدیده شناسی را برای اسیلاتور Hurst انجام دهیم و این بار به جای Close ، 3High+Open+Close)/) را به عنوان قیمت مرجع انتخاب کنیم. در اینجا نتایج آمده است :

ابزار مالی : FX Euro.Csv
21 مدل تحلیل شده
اطلاعات LBC : 2048 آموزشی / 1615 آزمایشی
هدف : Rel. Osc. (45،90،0 , (H+L+C)/3 , Sym1)

بهترین مدلها همبستگی تقریباً یکسان دارند. نتیجه گیری من این است که نوع قیمت برای اثربخشی مدل مهم نیست. این بدان معناست که حداقل برای مدل پیش بینی بلند مدت اهمیتی ندارد که چه نوع قیمتی مورد بررسی قرار می گیرد. و این بستگی به نظر شخصی معامله گر دارد. نسخه فعلی Timing Solution اجازه کار با نظرات بطلمیوسی و Terms/Faces را نمی دهد. ما تحقیقات خود را برای مدلهای FAM Phase از طریق مدول های آسترونومی (ترکیبات) ادامه خواهیم داد. لذا تنها بازه آموزشی (Training Internal) را تحلیل خواهیم کرد.

ما با پنجره " Algorithm" شروع می کنیم. همانطور که تحقیقات خود را برای برخی از اسیلاتورهای خاص انجام می دهیم ، بایستی این اسیلاتور را در " Analyzed Index " وارد کنیم. " Simple Index" را به عنوان الگوریتم انتخاب کنید :

پنجره "Report" را باز کنید گزینه "Add To Composite Box" را ببینید و "Corr And Predict" را به عنوان فیلتر انتخاب کنید :

شبکه عصبی را با حجم عظیمی از رویدادها برای تجزیه و تحلیل سنگین نکنید. ما برای مدل FAM در Phase Zodiac تحقیق می کنیم. بنابراین ، این نوع زودیاک را انتخاب کنید و " Geo Longitude Zodiac " را تیک نزنید. برای انجام محاسبات بر روی دکمه OK کلیک کنید. سپس این لیست را دریافت خواهیم کرد:

هر یک از این نظرات (Aspect) را از لیست انتخاب کنید و تاثیر آن را بر اندیکاتور مورد نظرمان ببینید. (ما آن را به عنوان همبستگی و مناطق قابل پیش بینی (Predictable Zones) درنظر می گیریم). بگذارید نظرات را در نظر بگیریم؛ به نظر من ، بهترینها فازهای مریخ ، زحل ، نپتون و پلوتو و زوایای مریخ - همبستگی کندل زحل ، مریخ - اورانوس ، مریخ - نپتون و مریخ - پلوتو است. بنابراین بایستی Orbs و Phases را بیابیم و با آماده کردن شبکه عصبی سعی کنیم بهترین نتیجه ممکن را در بازه آزمایشی کسب کنیم. متأسفانه ، درحال حاضر تکنیک دیگری به جز روش "آزمایش و خطا" وجود ندارد. من این کار را اینگونه انجام می دهم: سیارات را یکی یکی اضافه کنید ، مدل را آماده کنید (Train) و تغییرات را نظاره کنید. من نتایج مربوط به افزایش / کاهش همبستگی و هموار بودن خط پیش بینی را تخمین می زنم. فقط بعد از آن روی Orbs مانور می دهم.

این روش یعنی اضافه کردن یک به یک سیارات دارای یک ایراد قابل توجه است: ممکن است به دلیل ماهیت غیرخطی تعامل سیاره ای برخی فاکتورهای مهم را از دست بدهیم. بعد از مدتی (نه خیلی زیاد) ، این مدل را پیدا کردم :

من آن را در 2000 کندل قیمت بررسی کرده ام (این بازه از 1000 کندل قیمت بهتر است ؛ نتایج را در گزارش Phenomenological Solution ببینید). این پیش بینی بدست آمده است :

هنگامی که ما یک مدل پیش بینی ایجاد می کنیم ، یکی از مهمترین سؤالها این است که چگونه کیفیت پیش بینی انجام شده برای فواصل زمانی مختلف را ارزیابی کنید. من پیش بینی را برای تنظیمات مختلف LBC انجام دادم. نرم افزار Timing Solution این امکان را به ما می دهد که همه این پیش بینی ها را در یک پنجره ببینیم. تصویر زیر را ببینید؛ در این تصویر هر پیش بینی با یک خط با رنگی متفاوت نشان داده می شود:

- خط زرد بیانگر پیش بینی زمانی که LBC در تاریخ 1 ژانویه 2000 تنظیم شده است.
- خط آبی برای LBC در تاریخ 1 ژانویه 2001;
- خط بنفش برای LBC در تاریخ 1 ژانویه 2002 است.
- خط سبرآبی برای LBC در تاریخ 1 ژانویه 2003 است.
- خط قرمز برای LBC در تاریخ 1 ژانویه 2004 است.

همانطور که می بینید ، همه این پیش بینی ها مشابه هستند. لذا میتوانیم نتیجه بگیریم که مدل ما نسبتاً قابل اعتماد است. ما می توانیم این روند را تکرار کرده و یک مدل مشابه برای (50،50، 5)RPO ایجاد کنیم. پیش بینی مبتنی بر این مدل روندهای میان مدت را برای بازار ما نشان می دهد. همبستگی برای بازه زمانی مشابه (6 سال) 33٪ است و ما در اینجا نوسانات زیادی داریم.

این مدل پیش بینی غالبا مبتنی بر سیارات داخلی است. بنابراین ، برای آموزش مدل خود باید فاصله زمانی مناسب را پیدا کنیم و این فاصله نباید خیلی بزرگ باشد (بیشتر از 9 سال). Timing Solution یک گزینه ویژه برای انجام این کار دارد: Neural Net Module را باز کنید و گزینه "Find The Best Training Interval (Fixed LBC)" را انتخاب کنید. LBC را در تاریخ 1 ژانویه 2006 تنظیم کنید و Back Test را برای مدل را انجام دهید. این نتایج وجود دارد :

ما می توانیم در اینجا 3 گروه را با همبستگی مثبت در حال رشد پیدا کنیم (گروه ها روی این تصویر با خط قرمز از هم تفکیک شده اند). بگذارید ثبات این نتایج را بررسی کنیم: ما بک تست این مدل پدیده شناسی را انجام می دهیم ، و معیار بک تست ضریب همبستگی محاسبه شده در 65 کندل قیمت (یعنی مدت زمان 3 ماه) خواهد بود. ما با مجموعه LBC در تاریخ اول ژانویه 2003 شروع می کنیم و این بار LBC را 11 مرتبه و برای 65 کندل قیمت (یا 3 ماه) هر بار تغییر خواهیم داد. اینها نتایجی است که من بدست آورده ام :

Mode: Neural Net
Price Events: Rel. Osc.(5,50,50 Close,Exp)
معیار: همبستگی 65 کندل بعد از LBC

بهترین نتایج توسط مدلهای تست شده با 2000 و 2800 کندل قیمت ارائه می شود. با این حال ، باید به یاد داشته باشیم که داده های موجود برای یک تست مطلوب کافی نیست - تاریخچه قیمت یورو از سال 2000 شروع می شود. قبل از آن ، تا سال 1999 ، ما از دیتای شاخص دلار استفاده کرده ایم. من همچنین می خواهم به این نکته اشاره کنم که همبستگی این دو مدل (تست شده بر روی 2000 و 2800 کندل قیمت) با همان مدل که فقط یکبار تست شده ، برای LBC در 1 ژانویه 2000 و برای مدت زمان 6 سال بسیار نزدیک است.

کاربرد همبستگی در بازارهای مالی

همبستگی از مجموعه داده های آماری در طول زمان (مقیاس آماری) تشکیل شده است که کاربرد زیادی در تحلیل بازارهای مالی دارد.

به زبان ساده همبستگی در بازارهای مالی نشان میدهد که تا چه اندازه حرکت قیمت

در یک بازار در یک مدت زمان مشخص با بازار دیگر مشابه بوده است .

مثلا اگر کالای A و کالای B همبستگی کندل با هم در یک مدت زمان مشابه تغییرات قیمت مشابه داشته باشند

نسبت همبستگی قیمتهای کالای A و B برابر +1 خواهد بود .

در صورتی که کالای A افزایش قیمت داشته باشد و کالای B به همان نسبت (بر حسب درصد) کاهش قیمت داشته باشد

در این صورت با همبستگی قیمتی -1 بین این کالا مواجه هستیم

حالت دیگری هم بین این دو کالا پیش می آید که افزایش یا کاهش قیمت کالای A هیچ تاثیری بر روی قیمت کالای B ندارد

و در این صورت همبستگی بین دو کالا وجود ندارد و عدد 0 همبستگی بین این دو کالا میباشد

همبستگی قیمتی عددی خارج از محدوده -1 تا +1 نیست

همبستگی بین ارزها در بازار فارکس

آیا توجه داشتید وقتی قیمت یک جفت ارز خاص افزایش یا کاهش پیدا میکند

در همان مدت زمان یا با تاخیر اندک جفت ارز دیگری

مشابه همان حرکت قیمتی یا حرکتی بلعکس را انجام میدهد؟

به این پدیده همبستگی بین ارزها گفته میشود.

در ادامه به بررسی همبستگی جفت ارزها بر یک دیگر میپردازیم

نمای کلی از همبستگی میان جفت ارزها (تایم ماهیانه)

جفت ارز

نحوه خواندن جدول همبستگی ارزها

همبستگی ارزی به صورت درصدی تحت عنوان ضریب همبستگی ارز نشان داده شده است .

یک عدد بین -100% تا +100% (یا همان -1 تا +1 همبستگی ) میباشد

عدد +100% یا نزدیک به آن نمایانگر این است که دو جفت ارز همبستگی مثبت نسبت به هم دارند و با هم حرکت میکنند

عدد -100% یا نزدیک به آن نمایانگر این است که دو جفت ارز همبستگی منفی نسبت به هم دارند و بلعکس هم حرکت میکنند

عدد 0 % یا نزدیک آن نشان میدهد دو جفت ارز همبستگی ضعیف یا تصادفی نسبت به هم دارند .

فایل صوتی در مورد همبستگی جفت ارزها و معاملات آنها

ایا استفاده از همبستگی در معاملات و تحلیل ها مفید خواهد بود ؟! (علی سعدی)

وبیناری در ارتباط با همبستگی ارزها

استراتژی همبستگی ارزها

هبستگی مثبت را در نمودار طلا و نقره طی 100 سال اخیر به وضوح مشخص است

همبستگی ترازنامه فدرال رزرو با طلا Fed Balance Sheet vs Gold Price

همبستگی طلا با پلاتینیوم (10 ساله ) Platinum Prices vs Gold Prices

بازی جذاب نفتی : دلار کانادا بر ین ژاپن (cad/jpy)

اگر از دید صادر کننده و واردکننده نفت به این داستان نگاه کنیم ، جفت ارزی که در صدر لیست معاملاتی همبستگی کندل ما قرار میگیرد جفت ارز دلار کانادا به ین ژاپن است

عکس زیر همبستگی بالایی را بین قیمت نفت و جفت ارز کانادا بر ین را نشان میدهد .

اشتراک گذاری

مطالب زیر را حتما بخوانید!

نظر شما چیست ؟

نظرتان درباره کاربرد همبستگی در بازارهای مالی را با سایر بازدیدکنندگان سایت به اشتراک بگذارید.

اطلاعیه سایت

آخرین بروزرسانی سایت : 30 فرودین 1401

دوستان توجه داشته باشید ویدیو هایی که درسایت از اساتید ایرانی یا خارجی گذاشته میشود فقط جنبه آموزش دارد و جنبه تایید فرد یا شخص تهیه کننده ویدیو را ندارد.(چه دوره های آموزشی دیگر چه فعالیتهای مرتبط با فرد) بازار های مالی و سرمایه گذاری (سهام ،ارز ، طلا ، نقره و سکه ) یکی از بهترین مکان ها برای سرمایه گذاری و کسب سود و ایجاد درآمد غیر فعال است . اما این بازارها خصوصا” با بهره گیری از اهرم یا لوریج دارای ریسک ذاتی بالایی است لذا در صورت نداشتن تجربه کافی از ورود به این بازارها خودداری کرده و تنها سرمایه هایی را وارد این بازارها کنید که از دست دادن احتمالی آن ضربه سنگینی به زندگی شما وارد نکند . یادآوری می نماید هیچکس به اندازه شخص شما دلش به حال سرمایه شما نمی سوزد لذا به حرف افراد و شرکتها برای مدیریت سرمایه خود ، اعتماد نکنید. ارائه مقالات ، اخبار ، تحلیلها و دیگر مطالب این سایت تنها در راستای آموزش واطلاع رسانی بوده ، مسئولیت استفاده از آن بر عهده استفاده کننده است.

روانشناسی بازار

مصاحبه با تریدری که 200 دلار را به 196000 دلار تبدیل کرد

‏دوره آموزشی جامع و رايگان معامله گر ٣ بعدی

کسب مهارت راه رسیدن به موفقیت در معامله گری

ژورنال نویسی در بازارهای مالی مدرس نوید عمادی

ذهنتان را در معامله گری از پیش فرضها خالی کنید

مطالب ویژه

کورس Chris Capre Advanced Price Action Course 2020

کورس پرایس اکشن ال بروکس 2018

آموزشهای علی تقی خان از بازار های مالی

کورس آموزش پرایس اکشن آل بروکس

کورس Avdo – Forex Grid Mentoring Program

مجموعه 4 کورس برای معامله گران از جیسون باند

کورس Fibs Don’t Lie Advanced

سیستم معاملاتی Forex Master Levels از Nicola Delic

دانلود کورس آموزش پرایس اکشن نایل فولر Nial Fuller’s Price Action

کورس 2018 Total Fibonacci Trading محصول TradeSmart University

مجموعه The Forex Scalper Mentorship Package

کورس FTA Global Macro Pro Trader

• 2148 کاربر
  کاربران عضو شده در سایت
• 662 مقاله
  مقالات و آموزش های منتشر شده تا کنون
• 51 محصول
  محصولات حرفه ای آماده ی فروش
• 397 دیدگاه
  دیدگاه های منتشر شده تا کنون

درباره ما

گردانندگان کتابخانه اقتصادی برآنند تاجایی که امکان دارد، در زمینه تخصص خود “بازار های مالی” اطلاعات مفید گردآوری نموده و در اختیار علاقه مندان قرار دهند.

تیم ما تلاش میکند تا این منابع ارزشمند را شناسایی، تهیه و در سایت منتشر نماید.

ما اعتقاد داریم که هیچ چیز به اندازه دانش نمی تواند به انسان در راه افزایش کیفیت زندگی کمک کند و این وبسایت به نوعی یک فعالیت عام المنفعه در جهت پیشرفت جامعه ایست که همه در آن زندگی می کنیم.

سلب مسئولیت ، رعایت مالکیت معنوی و افشای ریسک :

بازار های مالی و سرمایه گذاری (سهام ،ارز ، طلا ، نقره و سکه ) یکی از بهترین مکان ها برای سرمایه گذاری و کسب سود و ایجاد درآمد غیر فعال است . اما این بازارها خصوصا” با بهره گیری از اهرم یا لوریج دارای ریسک ذاتی بالایی است لذا در صورت نداشتن تجربه کافی از ورود به این بازارها خودداری کرده و تنها سرمایه هایی را وارد این بازارها کنید که از دست دادن احتمالی آن ضربه سنگینی به زندگی شما وارد نکند . یادآوری می نماید هیچکس به اندازه شخص شما دلش به حال سرمایه شما نمی سوزد لذا به حرف افراد و شرکتها برای مدیریت سرمایه خود ، اعتماد نکنید.
ارائه مقالات ، اخبار ، تحلیلها و دیگر مطالب این سایت تنها در راستای آموزش واطلاع رسانی بوده ، مسئولیت استفاده از آن بر عهده استفاده کننده است.

بیت کوین بهترین کندل هفتگی در 2.5 سال گذشته را بسته است : چند مورد برای دانستن

در ادامه به چند موردی می پردازیم که بر عملکرد بیت کوین در پنج روز آینده تاثیر می گذارد.

بیت کوین: رکورد کندل هفتگی تا دو و نیم سال قبل

بیت کوین مجددا 12000 دلار را در ابتدای روز دوشنبه فتح کرد که البته بیشتر از تنها یک صعود بود زیرا در عمل بیت کوین بزرگترین کندل در تایم فریم هفتگی را از جولای 2018 بسته است.

این به این معنی است که هیچ هفته ی صعودی در طول سال قبل وجود نداشته است که به اندازه صعود این هفته بیت کوین باشد.

حالا سرمایه گذاران منتظر هستند که صعودی بودن بازار تثبیت و از ادامه آن مطمئن شوند. برخلاف تایم فریم های ساعتی و روزانه ، بزرگترین کندل هفتگی از اهمیت بالایی برخوردار است. بیت کوین در کندل روزانه 2.4 درصد و در کندل هفتگی 7 درصد و در کندل ماهانه 30 درصد رشد داشته است.

ترامپ ارز فیزیکی را ناپایدار کرده است

رشد بیت کوین یک هفته بعد از اینکه رئیس جمهور آمریکا دونالد ترامپ مورد جدیدی به تنش با چین اضافه کرد و آن ممنوعیت استفاده از شبکه اجتماعی TikTok بود. نتیجه افزایش تنش با پکن ، ضعیف تر شدن بیشتر دلار آمریکا – علاوه بر نگرانی ها در مورد ویروس کرونا – بود که یک بهشت امن برای دارایی ها ایجاد کرد.

همزمان ترامپ یکسری دستورات را برای مقابله با ویروس کرونا امضاء کرد که تاثیر زیادی روی بازار داشت که به دلیل مداخله سنگین فدرال رزرو بود (چاپ اسکناس).

همبستگی بیت کوین : بازار سرمایه یا طلا؟

اینکه اکنون بیت کوین در کوتاه مدت به کدام سمت حرکت خواهد کرد چندان واضح نیست وقتی عملکرد تاریخی بیت کوین را در مقابل سایر دارایی ها بزرگ مقایسه می کنیم.

از ماه مارس که شاهد سقوط دارایی ها بودیم و ابتدا با اصلاح بازار سرمایه آغاز شد و سپس به دارایی های امن بویژه طلا رسید. طلا قبل از شروع رشد بارز بیت کوین ، بیشینه تاریخی خود نسبت به دلار را فتح کرد و رشد آن تاکنون ادامه دارد.

یک اصلاح آرام ، ارزش هر انس طلا را از بیشینه آن 2075 دلار به 2030 دلار رساند که ممکن است ادامه یابد بنابراین شاید بطور مشابه بیت کوین نیز خنک شده و از حرکت رو به بالای بایستد.

بازارهای سرمایه نیز بطور مشابه پایدار نبودند. تحلیلگران در مورد توقف رشد هشدار می دهند که بحران ارزی ترکیه و تنش بین آمریکا و چین نیز بر آن موثر است.

یک شکاف در بازار آتی (فیوچرز) پایین بیت کوین/دلار باز شده است

یک نوسان انتهای هفته دیگر با یک شکاف در بازارهای آتی بیت کوین ایجاد شده است. نوسان شدید انتهای هفته به معنی این است که روز جمعه قراردادهای آتی در قیمت 11680 دلار اتمام یافته اند و مجدد در قیمت 11750 دلار باز شده اند. این فضای خالی یک نکته کلیدی برای قیمت بیت کوین دارد که بیت کوین در چند روز و یا حتی چند ساعت آینده این فضای خالی را پرخواهد کرد. هفته قبل چنین موردی اتفاق افتاد.