یاد بگیرید که نشانگر ADX را از ابتدا بسازید و یک استراتژی معاملاتی را در پایتون آزمایش کنید

چهار شاخه مختلف از اندیکاتورهای فنی وجود دارد، اما محبوب ترین آنها به عنوان اندیکاتورهای روند شناخته می شود. این اندیکاتورها به معامله گران کمک می کنند تا جهت و قدرت روند بازار را شناسایی کرده و با آنها معامله کنند. در بیشتر موارد، اندیکاتورهایی که تحت دسته روند قرار می گیرند، نتایج خوبی را نشان می دهند، مگر اینکه از آنها به طور کارآمد استفاده کنیم.

در این مقاله قصد داریم یکی از محبوب ترین اندیکاتورهای روند، میانگین جهت شاخص (به اختصار ADX) را بررسی کنیم. ابتدا درک اولیه ای از ADX و محاسبه آن ایجاد می کنیم، سپس به ساخت اندیکاتور از ابتدا می پردازیم و یک استراتژی معاملاتی بر اساس آن اندیکاتور در پایتون ایجاد می کنیم. برای ارزیابی استراتژی خود، ابتدا آن را با سهام اپل آزمایش خواهیم کرد و سپس برای درک بیشتر، بازده استراتژی خود را با بازده ETF SPY (یک ETF که به طور خاص برای ردیابی حرکت شاخص S&P 500 طراحی شده است) مقایسه خواهیم کرد.

قبل از حرکت، اگر می خواهید استراتژی های معاملاتی خود را بدون هیچ کدنویسی بک تست کنید، راه حلی برای آن وجود دارد. BacktestZone است. این یک پلتفرم برای تست پشتیبان هر تعداد استراتژی معاملاتی بر روی انواع مختلف دارایی های قابل معامله به صورت رایگان و بدون کدنویسی است. می توانید بلافاصله با استفاده از پیوند اینجا از ابزار استفاده کنید: https://www. backtestzone. com/

میانگین محدوده واقعی (ATR)

قبل از شروع به کشف ADX، ضروری است که بدانیم میانگین محدوده واقعی (ATR) چقدر است زیرا در محاسبه شاخص جهت گیری متوسط (ADX) نقش دارد.

میانگین محدوده واقعی یک شاخص فنی است که میزان حرکت یک دارایی را به طور متوسط اندازه گیری می کند. این یک شاخص عقب مانده است به این معنی که داده های تاریخی یک دارایی را برای اندازه گیری ارزش فعلی در نظر می گیرد، اما قادر به پیش بینی نقاط داده آینده نیست. این در هنگام استفاده از ATR به عنوان یک نقطه ضعف در نظر گرفته نمی شود زیرا یکی از شاخص هایی است که نوسانات بازار را با دقت بیشتری دنبال می کند. ATR علاوه بر اینکه یک شاخص عقب مانده است، یک شاخص غیر جهت دار نیز می باشد به این معنی که حرکت ATR با حرکت واقعی بازار نسبت معکوس دارد. برای محاسبه ATR، لازم است دو مرحله را دنبال کنید:

• محاسبه محدوده واقعی (TR): یک محدوده واقعی یک دارایی با در نظر گرفتن بیشترین مقدار از سه تفاوت قیمت محاسبه می شود که عبارتند از: بالا بودن بازار منهای نشانگر پایین، بازار زیاد منهای بسته شدن بازار قبلی، بسته شدن بازار قبلی منهای بازار پایین. می توان آن را به صورت زیر نشان داد:

• محاسبه ATR: محاسبه میانگین محدوده واقعی ساده است. ما فقط باید یک میانگین هموار از مقادیر True Range محاسبه شده قبلی برای تعداد مشخصی از دوره‌ها بگیریم. میانگین هموار شده فقط هر SMA یا EMA نیست، بلکه یک نوع میانگین هموار شده توسط خود Wilder Wiles ایجاد شده است، اما هیچ محدودیتی در استفاده از سایر MA ها وجود ندارد. در این مقاله، ما از SMA برای محاسبه ATR استفاده خواهیم کرد تا میانگین متحرک سفارشی ایجاد شده توسط بنیانگذار اندیکاتور فقط برای ساده کردن کارها. محاسبه ATR با تنظیم سنتی 14 به عنوان تعداد دوره ها را می توان به صورت زیر نشان داد:

در حالی که از ATR به عنوان یک شاخص برای اهداف تجاری استفاده می شود، معامله گران باید اطمینان حاصل کنند که بیش از همیشه محتاط هستند زیرا این اندیکاتور بسیار عقب مانده است. اکنون که ما متوجه شدیم که میانگین محدوده واقعی چیست. بیایید اکنون به مفهوم اصلی این مقاله، یعنی شاخص جهت گیری متوسط، بپردازیم.

شاخص جهت دار متوسط (ADX)

ADX یک شاخص فنی است که به طور گسترده در اندازه گیری قدرت روند بازار استفاده می شود. اکنون، ADX جهت روند را اندازه‌گیری نمی‌کند، چه صعودی یا نزولی، بلکه فقط نشان‌دهنده شدت روند است. بنابراین، برای شناسایی جهت روند، ADX با یک شاخص جهت مثبت (+ DI) و یک شاخص جهت منفی (- DI) ترکیب می شود. همانطور که از نام آن پیداست، + DI روند صعودی یا مثبت بازار را اندازه گیری می کند، به طور مشابه، - DI روند نزولی یا منفی بازار را اندازه گیری می کند. مقادیر همه مولفه ها بین 0 تا 100 محدود شده است، بنابراین به عنوان یک نوسانگر عمل می کند. تنظیم سنتی ADX 14 به عنوان دوره بازگشت است.

برای محاسبه مقادیر ADX با 14 به عنوان دوره بازگشت، ابتدا حرکت جهت مثبت (+ DM) و منفی (- DM) تعیین می شود.+ DM با یافتن اختلاف بین زیاد فعلی و زیاد قبلی و به طور مشابه، - DM با یافتن اختلاف بین پایین قبلی و پایین فعلی محاسبه می شود. می توان آن را به صورت زیر نشان داد:

سپس یک ATR با 14 به عنوان دوره بازگشت محاسبه می شود. اکنون با استفاده از حرکت جهتی محاسبه شده و مقادیر ATR، شاخص جهت مثبت (+ DI) و شاخص جهت منفی (- DI) محاسبه می شود. برای تعیین مقادیر + DI، مقدار دریافت شده با گرفتن میانگین متحرک نمایی (EMA) حرکت جهت مثبت (+ DM) با 14 به عنوان دوره بازگشت، بر ATR 14 روزه محاسبه شده قبلی تقسیم می شود و سپس ضرب می شود. 100. این موضوع برای تعیین - DI نیز صدق می کند، اما به جای در نظر گرفتن EMA 14 روزه + DM، حرکت جهت منفی (- DM) در نظر گرفته می شود. فرمول محاسبه DI + و - DI را می توان به صورت زیر نشان داد:

مرحله بعدی استفاده از + DI و - DI برای محاسبه Index جهت است. می توان آن را با تقسیم قدر مطلق تفاوت بین +DI و - DI بر قدر مطلق مجموع + DI و - DI ضرب در 100 تعیین کرد. فرمول محاسبه شاخص جهت را می توان به صورت زیر نشان داد:

مرحله آخر محاسبه خود ADX با استفاده از مقادیر شاخص جهت تعیین شده است. ADX با ضرب مقدار Index جهت قبلی در 13 (دوره بازگشت - 1) و جمع کردن آن با شاخص جهت محاسبه می شود و سپس در 100 ضرب می شود. فرمول محاسبه مقادیر ADX را می توان به صورت زیر نشان داد:

ADX را نمی توان همانطور که هست استفاده کرد اما باید صاف شود. از آنجایی که ADX توسط Wilder Wiles (بنیانگذار ATR نیز) تأسیس شد، با میانگین متحرک سفارشی که قبلاً در مورد آن صحبت کردیم، هموار می شود. ما از استفاده از این میانگین متحرک سفارشی هنگام محاسبه ATR غافل شدیم، زیرا می‌توان از انواع دیگر میانگین‌های متحرک استفاده کرد، اما استفاده از آن هنگام هموارسازی ADX برای بدست آوردن مقادیر دقیق ضروری است.

این کل فرآیند محاسبه مقادیر ADX است. اکنون، بیایید در مورد چگونگی ایجاد یک استراتژی معاملاتی ساده مبتنی بر ADX بحث کنیم.

درباره استراتژی معاملاتی ما: در این مقاله، ما قصد داریم یک استراتژی متقاطع ساده بسازیم که هر زمان که خط ADX از پایین به بالای 25 برسد و خط + DI بالای خط - DI باشد، سیگنال خرید را نشان می دهد. به طور مشابه، هر زمان که خط ADX از پایین به بالای 25 برسد و خط - DI بالای خط + DI باشد، سیگنال فروش تولید می‌شود. استراتژی معاملاتی ما را می توان به صورت زیر نشان داد:

این پایان بخش تئوری این مقاله است. اکنون، بیایید این اندیکاتور را از ابتدا کدنویسی کنیم و استراتژی معاملاتی مورد بحث را از آن در پایتون بسازیم و آن را با سهام اپل آزمایش کنیم تا نتایج هیجان انگیزی را ببینیم. ما همچنین بازده استراتژی متقاطع ADX خود را با بازده ETF SPY مقایسه خواهیم کرد تا ببینیم استراتژی معاملاتی ما در برابر یک معیار چقدر خوب عمل کرده است. بدون هیچ مقدمه ای، بیایید به بخش کدنویسی بپردازیم.

پیاده سازی در پایتون

بخش کد نویسی به مراحل مختلف به شرح زیر طبقه بندی می شود:

ما از ترتیب ذکر شده در لیست بالا پیروی می کنیم و کمربندهای ایمنی شما را بسته می کنیم تا هر قسمت کدگذاری بعدی را دنبال کنیم.

مرحله 1: واردات بسته ها

وارد کردن بسته های مورد نیاز به محیط پایتون یک مرحله غیرقابل پرش است. بسته های اولیه Panda ها برای کار با داده ها، NumPy برای کار با آرایه ها و توابع پیچیده، Matplotlib برای اهداف رسم و درخواست برای برقراری تماس های API هستند. بسته‌های ثانویه ریاضی برای توابع ریاضی و Termcolor برای سفارشی‌سازی فونت (اختیاری) خواهند بود.

پیاده سازی پایتون:

اکنون که تمام بسته های مورد نیاز را به پایتون خود وارد کرده ایم. بیایید داده های تاریخی اپل را با نقطه پایانی API دوازده داده جمع آوری کنیم.

مرحله 2: استخراج داده از دوازده داده

در این مرحله، می‌خواهیم داده‌های سهام تاریخی اپل را با استفاده از یک نقطه پایانی API ارائه شده توسط twelvedata. com استخراج کنیم. قبل از آن، یک یادداشت در twelvedata. com: Twelve Data یکی از پیشروترین ارائه دهندگان داده بازار است که دارای مقدار زیادی از نقاط پایانی API برای همه انواع داده های بازار است. تعامل با API های ارائه شده توسط Twelve Data بسیار آسان است و یکی از بهترین اسناد را دارد. همچنین، مطمئن شوید که در twelvedata. com یک حساب کاربری دارید، تنها در این صورت، می‌توانید به کلید API خود (عنصر حیاتی برای استخراج داده‌ها با یک API) دسترسی پیدا کنید.

پیاده سازی پایتون:

خروجی:

توضیح کد: اولین کاری که انجام دادیم این بود که تابعی به نام «get_historical_data» تعریف کردیم که نماد سهام («نماد») و تاریخ شروع داده های تاریخی («start_date») را به عنوان پارامتر می گیرد. در داخل تابع، ما کلید API و URL را تعریف کرده و آنها را در متغیر مربوطه خود ذخیره می کنیم. سپس، داده‌های تاریخی را با فرمت JSON با استفاده از تابع «get» استخراج می‌کنیم و آن را در متغیر «raw_df» ذخیره می‌کنیم. پس از انجام برخی فرآیندها برای تمیز کردن و قالب‌بندی داده‌های خام JSON، آن‌ها را در قالب یک دیتافریم تمیز Pandas برمی‌گردانیم. در نهایت، ما تابع ایجاد شده را فراخوانی می کنیم تا داده های تاریخی اپل را از ابتدای سال 2020 جمع آوری کرده و در متغیر "aapl" ذخیره کنیم.

مرحله 4: محاسبه ADX

در این مرحله قصد داریم مقادیر ADX را با روشی که قبلا در مورد آن صحبت کردیم محاسبه کنیم.

پیاده سازی پایتون:

خروجی:

توضیح کد: ابتدا تابعی به نام "get_adx" تعریف می کنیم که داده های بالا ("بالا")، کم ("کم") و بسته ("close") سهام را به همراه دوره بازگشت ("lookback") به عنوان دریافت می کند. مولفه های.

در داخل عملکرد ، ما ابتدا به ترتیب در حال محاسبه و ذخیره + DM و - DM در "Plus_dm" و "Minus_DM" هستیم. سپس محاسبه ATR می آید که در ابتدا ما سه تفاوت را محاسبه می کنیم و یک متغیر "TR" را برای ذخیره بالاترین مقادیر در بین تفاوت های تعیین شده تعریف می کنیم ، بنابراین ، مقادیر ATR را در متغیر "ATR" محاسبه و ذخیره کردیم.

با استفاده از حرکات جهت دار محاسبه شده و مقادیر ATR ، ما به ترتیب در حال محاسبه + di و - di هستیم و آنها را به ترتیب در متغیرهای "plus_di" و "minus_di" ذخیره می کنیم. با کمک فرمول قبلاً مورد بحث ، ما مقادیر شاخص جهت را محاسبه می کنیم و آنها را در متغیر "DX" ذخیره می کنیم و آن مقادیر را در فرمول ADX برای محاسبه مقادیر شاخص جهت دار استفاده می کنیم. سپس ، ما یک متغیر "adx_smooth" را برای ذخیره مقادیر صاف ADX تعریف کردیم. سرانجام ، ما در حال بازگشت و فراخواندن عملکرد برای به دست آوردن مقادیر + DI ، - DI و ADX اپل با 14 به عنوان دوره بازگشت هستیم.

مرحله 4: طرح ADX

در این مرحله ، ما می خواهیم مقادیر ADX محاسبه شده اپل را ترسیم کنیم تا بیشتر از آن حس کنیم. هدف اصلی این قسمت در بخش برنامه نویسی نیست بلکه در عوض مشاهده طرح برای به دست آوردن درک محکم از شاخص جهت متوسط است.

پیاده سازی پایتون:

خروجی:

نمودار فوق به دو صفحه تقسیم می شود: پانل فوقانی با قیمت بسته شدن اپل و پانل پایین با اجزای ADX. در کنار اجزای ، یک خط متراکم خاکستری ترسیم شده است که چیزی نیست جز آستانه ADX که در سطح 25 ترسیم شده است. همانطور که قبلاً گفتم ، ADX جهت روند را ردیابی نمی کند بلکه در عوض ، قدرت و آنچندین بار در نمودار دیده می شود که در آن خط ADX افزایش می یابد وقتی بازار روند قوی (یا بالا یا پایین) را نشان می دهد و وقتی بازار محدود به ادغام می شود ، کاهش می یابد. این همان مورد با هر دو خط شاخص جهت نیز هست. ما می توانیم ببینیم که وقتی بازار یک صعود محکم را نشان می دهد و در طی یک روند نزولی و برعکس برای خط - DI کاهش می یابد ، خط + di افزایش می یابد.

ADX نه تنها برای تعیین کمیت استحکام یک روند بازار بلکه به ابزاری مفید برای شناسایی بازارهای مختلف تبدیل می شود (بازارهایی که سهام در آن به جلو و عقب بین سطوح بالا و پایین خاص حرکت می کند که نشان دهنده حرکت صفر است). هر زمان که خطوط به یکدیگر نزدیکتر شوند ، بازار مشاهده می شود که به طور مشابه ، هرچه فضای بین خطوط گسترده تر باشد ، بازارها بیشتر می شوند. کسانی که برای اولین بار به نمودار ADX معرفی می شوند ، ممکن است خود را اشتباه بگیرند زیرا حرکت هر خط به طور غیرمستقیم متناسب با حرکت بازار است.

مرحله 5: ایجاد استراتژی تجارت

در این مرحله ، ما قصد داریم استراتژی متوسط تجارت شاخص جهت دار مورد بحث را در پایتون اجرا کنیم.

پیاده سازی پایتون:

توضیح کد: اول ، ما تابعی به نام "پیاده سازی_دکس_ستراسی" را تعریف می کنیم که قیمت سهام ("قیمت ها) و مؤلفه های ADX (" PDI "،" NDI "،" ADX "را به عنوان پارامترها می گیرد.

در داخل عملکرد ، ما در حال ایجاد سه لیست خالی (buy_price ، sell_price و adx_signal) هستیم که در آن مقادیر هنگام ایجاد استراتژی تجارت ضمیمه می شوند.

پس از آن، استراتژی معاملاتی را از طریق یک حلقه for اجرا می کنیم. در داخل حلقه for، ما در حال عبور از شرایط خاصی هستیم و در صورت برآورده شدن شرایط، مقادیر مربوطه به لیست های خالی اضافه می شود. اگر شرط خرید سهام برآورده شود، قیمت خرید به لیست "buy_price" اضافه می شود و ارزش سیگنال به عنوان 1 که نشان دهنده خرید سهام است، اضافه می شود. به همین ترتیب، اگر شرط فروش سهام برآورده شود، قیمت فروش به لیست «قیمت_فروش» اضافه می‌شود و ارزش سیگنال به صور ت-1 که نشان دهنده فروش سهام است، اضافه می‌شود.

در نهایت، ما لیست های اضافه شده با مقادیر را برمی گردانیم. سپس، تابع ایجاد شده را فراخوانی می کنیم و مقادیر را در متغیرهای مربوطه ذخیره می کنیم. لیست هیچ معنایی ندارد مگر اینکه مقادیر را رسم کنیم. بنابراین، بیایید مقادیر لیست های معاملاتی ایجاد شده را رسم کنیم.

مرحله 6: ترسیم سیگنال های معاملاتی

در این مرحله می‌خواهیم فهرست‌های معاملاتی ایجاد شده را ترسیم کنیم تا از آن‌ها معنا پیدا کنیم.

پیاده سازی پایتون:

خروجی:

توضیح کد: ما مؤلفه های شاخص جهت دار متوسط را به همراه سیگنال های خرید و فروش تولید شده توسط استراتژی معاملات ترسیم می کنیم. می توانیم مشاهده کنیم که هرگاه خط ADX از پایین به بالای 25 برسد و خط + DI بالای خط - DI باشد، یک سیگنال خرید سبز رنگ در نمودار رسم می شود. به طور مشابه، هر زمان که خط ADX از پایین به بالای 25 برسد و خط + DI زیر خط - DI باشد، یک سیگنال فروش قرمز رنگ در نمودار رسم می شود.

مرحله 7: ایجاد موقعیت ما

در این مرحله، می‌خواهیم فهرستی ایجاد کنیم که اگر سهام را در اختیار داریم، عدد 1 را نشان می‌دهد یا اگر سهام را در اختیار نداریم، عدد 0 را نشان می‌دهد.

پیاده سازی پایتون:

خروجی:

توضیح کد: ابتدا یک لیست خالی به نام موقعیت ایجاد می کنیم. ما در حال ارسال دو حلقه for هستیم، یکی این است که مقادیری را برای لیست "موقعیت" تولید کنیم تا فقط با طول لیست "سیگنال" مطابقت داشته باشد. حلقه for دیگر حلقه ای است که برای تولید مقادیر موقعیت واقعی استفاده می کنیم. در داخل حلقه for دوم، ما در حال تکرار روی مقادیر لیست سیگنال هستیم و مقادیر لیست موقعیت در مورد اینکه کدام شرط برآورده می شود اضافه می شود. اگر سهام را نگه داریم، ارزش موقعیت 1 باقی می ماند یا اگر سهام را فروختیم یا مالک آن نباشیم، 0 باقی می ماند. در نهایت، ما در حال انجام برخی دستکاری‌های داده‌ای هستیم تا همه لیست‌های ایجاد شده را در یک دیتافریم ترکیب کنیم.

از خروجی نشان داده شده، می بینیم که در ردیف اول موقعیت ما در سهام 1 باقی مانده است (چون هیچ تغییری در سیگنال ADX وجود ندارد) اما موقعیت ما ناگهان ب ه-1 تبدیل شد زیرا سهام را فروختیم زمانی کهسیگنال معاملاتی ADX نشان دهنده سیگنال فروش (-1) است. موقعیت ما تا زمانی که تغییراتی در سیگنال معاملاتی رخ دهد 0 باقی خواهد ماند. اکنون زمان اجرای فرآیند بک تست است!

مرحله 8: آزمون بک تست

قبل از حرکت، ضروری است که بدانیم بک تست چیست. بک تست فرآیندی است برای دیدن اینکه استراتژی معاملاتی ما در داده های سهام داده شده چقدر خوب عمل کرده است. در مورد ما، می‌خواهیم یک فرآیند بک‌آزمایی را برای استراتژی معاملاتی میانگین جهت‌دهی خود بر روی داده‌های سهام اپل اجرا کنیم.

پیاده سازی پایتون:

خروجی:

توضیح کد: اول ، ما بازده سهام اپل را با استفاده از عملکرد "Diff" ارائه شده توسط بسته NUMPY محاسبه می کنیم و ما آن را به عنوان یک DataFrame در متغیر "AAPL_RET" ذخیره کرده ایم. در مرحله بعد ، ما برای محاسبه بازده هایی که از استراتژی معاملات ADX به دست آورده ایم ، یک حلقه را برای تکرار مقادیر متغیر "AAPL_RET" می گذرانیم و این مقادیر بازده به لیست "ADX_STRATEGY_RET" اضافه می شود. در مرحله بعد ، ما لیست "adx_strategy_ret" را به یک DataFrame تبدیل می کنیم و آن را در متغیر "ADX_STRATEGY_RET_DF" ذخیره می کنیم.

بعد روند پشتی می آید. ما می خواهیم با سرمایه گذاری صد هزار دلار در استراتژی تجارت خود ، استراتژی خود را پشت سر بگذاریم. بنابراین ، اول ، ما میزان سرمایه گذاری را در متغیر "سرمایه گذاری_ ولت" ذخیره می کنیم. پس از آن ، ما تعداد سهام اپل را که می توانیم با استفاده از مبلغ سرمایه گذاری خریداری کنیم ، محاسبه می کنیم. می توانید توجه داشته باشید که من از عملکرد "کف" ارائه شده توسط بسته ریاضی استفاده کرده ام ، زیرا ، ضمن تقسیم مبلغ سرمایه گذاری با قیمت بسته شدن سهام اپل ، خروجی را با اعداد اعشاری از بین می برد. تعداد سهام باید یک عدد صحیح باشد اما تعداد اعشاری نیست. با استفاده از عملکرد "کف" ، می توانیم اعشار را قطع کنیم. به یاد داشته باشید که عملکرد "کف" پیچیده تر از عملکرد "دور" است. سپس ، ما برای یافتن بازده سرمایه گذاری به دنبال برخی از وظایف دستکاری داده ها ، یک حلقه را می گذرانیم.

سرانجام ، ما در حال چاپ کل بازدهی هستیم که با سرمایه گذاری صد هزار نفر در استراتژی تجارت خود دریافت کردیم و مشخص می شود که ما در یک سال سود تقریبی سی هزار دلار کسب کرده ایم. این بد نیست!حال ، بیایید بازده خود را با SPY ETF (ETF طراحی شده برای ردیابی شاخص بازار سهام S&P 500) مقایسه کنیم.

مرحله 9: مقایسه ETF جاسوسی

این مرحله اختیاری است اما بسیار توصیه می شود زیرا می توانیم ایده ای از عملکرد استراتژی تجارت ما در برابر معیار (جاسوسی ETF) بدست آوریم. در این مرحله ، ما قصد داریم داده های SPY ETF را با استفاده از عملکرد "get_historical_data" که ایجاد کردیم استخراج کنیم و بازده هایی را که از جاسوسی ETF دریافت می کنیم با میانگین استراتژی شاخص جهت دار خود در اپل مقایسه کنیم.

پیاده سازی پایتون:

خروجی:

توضیح کد: کد مورد استفاده در این مرحله تقریباً شبیه به موردی است که در مرحله پشتی قبلی استفاده می شود ، اما به جای سرمایه گذاری در اپل ، ما با اجرای هیچ استراتژی تجاری در ETF در حال سرمایه گذاری هستیم. از خروجی ، می توانیم ببینیم که میانگین استراتژی معاملات شاخص جهت دار ما 9 ٪ از ETF جاسوسی را بهتر کرده است. خوبه!

افکار نهایی!

پس از یک فرآیند طولانی برای خرد کردن هر دو تئوری و برنامه های کد نویسی ، ما با موفقیت آموخته ایم که شاخص متوسط جهت چیست و چگونه می توان یک استراتژی تجاری مبتنی بر ADX را در پایتون اجرا کرد.

از دیدگاه من ، قدرت کامل ADX در هنگام همراهی با یک شاخص فنی دیگر ، به ویژه با RSI برای به دست آوردن ورود و خروج از امتیازات برای معاملات شما ، از بین می رود. بنابراین ، بسیار توصیه می شود که با تنظیم استراتژی ADX همراه با سایر شاخص های فنی و تا حد امکان ، این مقاله را بداهه نوازی کنید. با انجام این کار ممکن است به دستیابی به نتایج بهتر در بازار واقعی کمک کند. خودشه!امیدوارم که از این مقاله چیز مفیدی یاد گرفته باشید. اگر فراموش کرده اید که از هر یک از قطعات برنامه نویسی پیروی کنید ، نگران نباشید. من کد منبع کامل را در پایان این مقاله ارائه داده ام.