محدودیت های الگوی نمودار مستطیل

بازی های Supercell

استاندارد DMN (علائم و مدل تصمیم گیری) چیست؟

DMN (علائم و مدل تصمیم گیری) چیست؟

DMN، که مخفف عبارت Decision Model and Notation (به معنی علائم و مدل تصمیم گیری)، یک استاندارد نسبتاً جدید می‌باشد که توسط سازمان OMG، یعنی سازمانی که پشت BPMN قرار دارد، اداره می شود. این استاندارد می‌کوشد آنچه را که BPMN در حدود یک دهه پیش برای مدیریت فرآیند انجام داد، برای مدیریت تصمیم گیری کسب و کار عملی سازد. یعنی: به کسب و کار این امکان را بدهد که از طریق یک زبان نموداری مستقل از فروشنده، مسئولیت منطقی را که عملیات کسب و کار را هدایت می‌کند بر عهده بگیرد. این زبان برای مؤثر بودن، باید توسط تحلیلگران کسب و کار و همچنین سهامداران مشاغل قابل استفاده بوده و عملکرد آن از لحاظ کامل بودن و سازگاری قابل اثبات باشد. استاندارد DMN (علائم و مدل تصمیم گیری) هر دوی این موارد را دارا است.

مدلهای BPMN برای توصیف توالی فعالیت‌هایی که جزئی از فرآیندهای روزمره کسب و کار در سازمان هستند، به یک قاعده تبدیل شده اند. اما با این حال قبل از DMN (علائم و مدل تصمیم گیری) هیچ استاندارد قابل مقایسه ای برای توصیف منطق تصمیم گیری مورد استفاده برای همه چیز از قیمت گذاری گرفته تا انطباق نظارتی و تصویب برنامه های وام وجود نداشت. غالباً منطق تصمیم گیری بدون ترقی باقی مانده و در بعضی از سیستم های سازمانی جاسازی می شد. صاحبان مشاغل برای ایجاد منطق تصمیم گیری متناسب با کسب و کار شخصی خود، به طور معمول به یک سیستم مدیریت قانون کسب و کار[۱] (BRMS) نیاز دارند. این موضوع ثابت شده است که BRMS ها ابزارهای قدرتمند و مؤثری هستند، اما هر کدام از آنها، بسته به برنامه نویس ها زبان قاعده‌ای خاص خود را دارند. بنابراین برای مشخص کردن منطق تصمیم گیری، تحلیلگران و سهامداران کسب و کار باید اسناد مورد نیاز کسب و کار را ایجاد کنند و سپس این الزامات متنی توسط برنامه نویسان تفسیر شده و به زبان قاعده ترجمه شوند – که اغلب نیز ناقص است – و معمولا پس از یک چرخه طولانی آزمایش و تجدید نظر انجام می گیرد.

الزامات کسب و کار مورد نیاز محدودیت های الگوی نمودار مستطیل برای مدیریت تصمیم گیری به دو شکل هستند: متن بدون ساختار، که ایجاد آن آسان اما تأیید کامل بودن و سازگاری آن غیرممکن است. و مدل های تصمیم گیری، که بر اساس یک ساختار و رابط تجاری مناسب بنا شده و قابل اثبات هستند و هنگام اجرا آسان تر به زبان قاعده‌ای ترجمه می‌شوند. مدل های تصمیم گیری به وضوح انتخاب بهتری هستند، اما مشکل این است که این مدل ها دارای BRMS خاص هستند. هر ابزاری زبان مدل سازی خاص خود را دارد! در سطح سازمانی، بسیاری از موسسات مالی، سازمانهای دولتی و سایر سازمانهای تصمیم گیرنده دارای چندین BRMS هستند و این امر مشکلات زیادی در زمینه آموزش، پشتیبانی و نگهداری ایجاد می نماید.

در عوض، DMN (علائم و مدل تصمیم گیری) نمادهایی برای مدل سازی تصمیم گیری ارائه می دهد که مستقل از ابزار هستند و توسط افراد اهل فن و متخصصینی از FICO ، Oracle،IBM ، KPI / Sapiens و غیره طراحی شده اند. ابزارهای جدید مدل سازی تصمیم گیری مبتنی بر DMN (علائم و مدل تصمیم گیری) ، در حال حاضر جدا از BRMS در دسترس هستند و قابلیت ترجمه مدل‌های قابل اثبات و مناسب برای کسب و کار، به زبان های قاعده ای موتورهای محبوب قواعد مدیریت کسب و کار را دارند. از مزیت‌های نمادهای مدل تصمیم گیری استاندارد در صنعت، می توان به ابزارهای کم هزینه تر و دسترسی گسترده تر به آموزش و پشتیبانی نیز اشاره کرد.

حال می توان گفت DMN چیست؟

DMN (علائم و مدل تصمیم گیری) یک استاندارد باز است. مفاهیم و فرمت های DMN، مانند BPMN مالکیت معنوی محافظت شده متعلق به یک فروشنده ابزار یا شرکت مشاوره ندارند. DMN 1.0 رسما در سپتامبر ۲۰۱۵ منتشر شد، اما مجریان باید بر DMN (علائم و مدل تصمیم گیری) ۱.۱ که در دسامبر ۲۰۱۵ نهایی شده و در سال ۲۰۱۶ منتشر گردید، تمرکز کنند که با استفاده از متامدل‌ها و طرحواره‌ها، به رفع برخی از مشکلات پرداخته است.

دو ویژگی اصلی DMN (علائم و مدل تصمیم گیری) :

1. نمودار مورد نیاز تصمیم گیری (DRD)
2. جداول تصمیم گیری.

نمودار DRD وابستگی یک تصمیم (به شکل مستطیل) به سایر تصمیمات حمایتی و منابع اطلاعاتی که داده های ورودی نام دارند(به شکل بیضی) را توصیف می کند. این تصمیمات حمایتی ممکن است شامل تصمیمات انسانی و تصمیمات خارجی باشند – برای مثال، ارائه شده توسط یک سیستم کسب و کار یا یک دفتر خدمات خارجی – که منطق تصمیم آنها در مدل DMN (علائم و مدل تصمیم گیری) تعریف نشده است. بر خلاف دیگر نمادهای مدل سازی تصمیم گیری، مانند مدل تصمیم گیری انسانی (TDM)، اجرای یک تصمیم در بالای یک DRD ممکن است نیاز به مراحل متعدد داشته باشد که از لحاظ زمانی جدا از هم هستند. بنابراین قابلیت توصیف منطق end-to-end برای تصمیمات پیچیده کسب و کار به صورت یک تصویر ساده وجود خواهد داشت.

بیت های منطق تصمیم گیری که مجددا استفاده می‌شوند ممکن است در DRD در قالب مدل های دانش کسب و کار نمایش داده شوند (به اختصار BKMs – به شکل مستطیل با گوشه های چیده شده و گرد)، که در یک مورد خاص توسط یک تصمیم و در قالب مقادیر ورودی فراخوانی می شوند. نمودار DRD همچنین می تواند یک تصمیم یا یک BKM را به منابع دانش (به شکل موج) متصل نماید. منابع دانش می‌توانند به شکل حاشیه نویسی در مدل ارائه شوند و نشاندهنده “اختیارات” در یک منطق تصمیم گیری باشند، مانند سیاست ها، قوانین کسب و کار یا مدل های تحلیلی. بنابراین DMN (علائم و مدل تصمیم گیری) می تواند کلیه متغیرها و مسئولین و اختیارات موجود در یک تصمیم گیری پیچیده کسب و کار را به صورت یک نمودار ساده به تصویر بکشد. نه ابزارهای مدل سازی تصمیم گیری خاص BRMS و نه TDM معمولاً نمی توانند این کار را انجام دهند.

در DRD پشت هر تصمیم و هر BKM، منطق تصمیم گیری وجود دارد که به طور معمول به صورت یک جدول تصمیم گیری یا یک عبارت تحت اللفظی است، یعنی یک رشته متنی در مجموعه عبارت های تعریف شده. جداول تصمیم گیری به مدت چندین دهه به فرمت‌های مختلف بوده اند و DMN (علائم و مدل تصمیم گیری) محدودیت های زیادی را روی فرمت‌های آنها اعمال می کند. در متداول ترین فرمت ردیف بالای جدول، ورودی ها و خروجی ها را ذکر می کند و هر ردیف دیگر موجود در زیر آن بیان کننده یک قانون تصمیم گیری هستند. هر ستون در این قانون شرط اعمال شده بر ورودی را در عنوان ستون تعریف می کند. اگر همه شرایط یک قانون صحیح باشند، گفته می شود که مطابقت دارد و خروجی آن قانون به عنوان خروجی جدول انتخاب می شود. به عنوان مثال، در جدول زیر اگر Customer = ” Business” و OrderSize

جدول تصمیم گیری

عناصر موجود در هر سلول از یک جدول تصمیم گیری – و همچنین متن مورد استفاده در یک عبارت تحت اللفظی – برای اینکه قابل تایید باشند باید بر اساس یک زبان بیان[۲] رسمی عنوان شوند. ایجاد این بخش کمی سخت است، زیرا شما از طرفی می خواهید این زبان بیان توسط تحلیلگران و سهامداران کسب و کار قابل استفاده باشد و از طرف دیگر به اندازه کافی غنی باشد تا بتواند منطق تصمیم گیری در دنیای واقعی را اداره نماید. در غیر این صورت، ما به روزهای بد قدیمی برمی گردیم که الزامات متنی باید توسط برنامه نویسان تفسیر و ترجمه می‌شدند. استاندارد DMN (علائم و مدل تصمیم گیری) در واقع مجبور بود برای این کار زبان بیان مخصوص خود را با نام FEEL اختراع کند. جداول تصمیم گیری مانند جدول شکل بالا، از یک زیر مجموعه ساده از FEEL به نام S-FEEL استفاده می کنند، اما FEEL در واقع طیف گسترده تری از عملکرد را نسبت به زبانهای قاعده ای BRMS های تجاری ارائه می دهد. ما هنوز منتظر ابزارهای تازه DMN (علائم و مدل تصمیم گیری) هستیم تا به کمک آنها بتوانیم به طور کامل از FEEL بهره برداری نماییم، اما آن روز چندان دور نخواهد بود.

در واقع DMN (علائم و مدل تصمیم گیری) هنوز در روزهای اولیه ظهور خود قرار دارد. از مهمترین مزایای DMN می توان گفت که DMN مستقل از ابزار است، برای کسب و کار مناسب و ساده است، دارای خصوصیات عمومی بر اساس یک فرآیند باز است و مدل هایی را ایجاد می‌کند که دقیق، قابل اثبات، و از نظر کارایی غنی تر از زبان‌های قاعده ای پیشین هستند (البته پس از آنکه قدرت کامل DMN توسط ابزارها به اجرا درآید).

محدودیت های الگوی نمودار مستطیل

قوانین و مقررات وب سایت را خوانده و قبول کرده ام.

دیدگاه کاربران

باسلام
یک برنامه می‌خواستم که عدد وارد کنم و خروجی نمودار دایره ای ترجیحا سه بعدی بدهد

سلام راهی هست در برنامه تایپ فارسی درست نشان داده شود

سلام
چون از فونت فارسی پشتیبانی نمیکنه برای همین نوشته های فارسی رو درست نشون نمیده.

برترین بازی ها و برنامه ها

• بازی های برتر
• برنامه های برتر

Zombie Combat Simulator

online

Sniper Fury

online

Empires & Puzzles

Twitch

Mimo: Learn coding

Seven - 7 Minute Workout

محبوترین سازنده های بازی های اندروید

بازی های Electroinic Arts

الکترونیک آرتز Electroinic Arts

بازی های Gameloft

بازی های Nekki

بازی های Supercell

تبلیغات در فارسروید

ریپورتاژ با ریپورتاژ ، اپلیکیشن خود را به دنیا معرفی کنید

راهنمای قالب جدید فارسروید

راهنمای قالب

برای راحتی شما امکاناتی در قالب نسخه جدید قرار دادیم . با گذاشتن وقت همه موارد مشخص خواهند بود اگر سوالی داشتید از طریق صفحه تماس با ما ارسال کنید .

نرم افزار ها

فارسروید با آرشیوی قدرتمند شامل 16.000+ اپلیکیشن و 10 سال فعالیت عاشقانه با افتخار در میان برترین و بروزترین رسانه های اینترنتی فارسی زبان قرار گرفته است. در این سال ها تلاش کرده ایم تا همچون یکی از اعضای خانواده ی شما در کنارتان باشیم. صد البته که در این مسیر تا حد زیادی موفق بوده ایم به گونه ای که هم اکنون پربازدیدترین، قابل اعتمادترین و بروزترین رسانه اندروید کشور هستیم. همانگونه که گفته شد، به روز بودن یکی از اهداف ویژه فارسروید است و تلاش کرده ایم تا با ایده های خاص همواره جلوتر از سایر رقبا باشیم و خرسندیم که در اکثر زمینه های رقابت پیشرو بوده ایم. در نهایت باید گفت نتیجه سال ها تلاش پرفراز و نشیب برای مخاطبین مان اعتبار این روزهای فارسروید است که آن را مدیون شما همراهان همیشگی مان هستیم!

استاندارد DMN (علائم و مدل تصمیم گیری) چیست؟

DMN (علائم و مدل تصمیم گیری) چیست؟

DMN، که مخفف عبارت Decision Model and Notation (به معنی علائم و مدل تصمیم گیری)، یک استاندارد نسبتاً جدید می‌باشد که توسط سازمان OMG، یعنی سازمانی که پشت BPMN قرار دارد، اداره می شود. این استاندارد می‌کوشد آنچه را که BPMN در حدود یک دهه پیش برای مدیریت فرآیند انجام داد، برای مدیریت تصمیم گیری کسب و کار عملی سازد. یعنی: به کسب و کار این امکان را بدهد که از طریق یک زبان نموداری مستقل از فروشنده، مسئولیت منطقی را که عملیات کسب و کار را هدایت می‌کند بر عهده بگیرد. این زبان برای مؤثر بودن، باید توسط تحلیلگران کسب و کار و همچنین سهامداران مشاغل قابل استفاده بوده و عملکرد آن از لحاظ کامل بودن و سازگاری قابل اثبات باشد. استاندارد DMN (علائم و مدل تصمیم گیری) هر دوی این موارد را دارا است.

مدلهای BPMN برای توصیف توالی فعالیت‌هایی که جزئی از فرآیندهای روزمره کسب و کار در سازمان هستند، به یک قاعده تبدیل شده اند. اما با این حال قبل از DMN (علائم و مدل تصمیم گیری) هیچ استاندارد قابل مقایسه ای برای توصیف منطق تصمیم گیری مورد استفاده برای همه چیز از قیمت گذاری گرفته تا انطباق نظارتی و تصویب برنامه های وام وجود نداشت. غالباً منطق تصمیم گیری بدون ترقی باقی مانده و در بعضی از سیستم های سازمانی جاسازی می شد. صاحبان مشاغل برای ایجاد منطق تصمیم گیری متناسب با کسب و کار شخصی خود، به طور معمول به یک سیستم مدیریت قانون کسب و کار[۱] (BRMS) نیاز دارند. این موضوع ثابت شده است که BRMS ها ابزارهای قدرتمند و مؤثری هستند، اما هر کدام از آنها، بسته به برنامه نویس ها زبان قاعده‌ای خاص خود را دارند. بنابراین برای مشخص کردن منطق تصمیم گیری، تحلیلگران و سهامداران کسب و کار باید اسناد مورد نیاز کسب و کار را ایجاد کنند و سپس این الزامات متنی توسط برنامه نویسان تفسیر شده و به زبان قاعده ترجمه شوند – که اغلب نیز ناقص است – و معمولا پس از یک چرخه طولانی آزمایش و تجدید نظر انجام می گیرد.

الزامات کسب و کار مورد نیاز برای مدیریت تصمیم گیری به دو شکل هستند: متن بدون ساختار، که ایجاد آن آسان اما تأیید کامل بودن و سازگاری آن غیرممکن است. و مدل های تصمیم گیری، که بر اساس یک ساختار و رابط تجاری مناسب بنا شده و قابل اثبات هستند و هنگام اجرا آسان تر به زبان قاعده‌ای ترجمه می‌شوند. مدل های تصمیم گیری به وضوح انتخاب بهتری هستند، اما مشکل این است که این مدل ها دارای BRMS خاص هستند. هر ابزاری زبان مدل سازی خاص خود را دارد! در سطح سازمانی، بسیاری از موسسات مالی، سازمانهای دولتی و سایر سازمانهای تصمیم گیرنده دارای چندین BRMS هستند و این امر مشکلات زیادی در زمینه آموزش، پشتیبانی و نگهداری ایجاد می نماید.

در عوض، DMN (علائم و مدل تصمیم گیری) نمادهایی برای مدل سازی تصمیم گیری ارائه می دهد که مستقل از ابزار هستند و توسط افراد اهل فن و متخصصینی از FICO ، Oracle،IBM ، KPI / Sapiens و غیره طراحی شده اند. ابزارهای جدید مدل سازی تصمیم گیری مبتنی بر DMN (علائم و مدل تصمیم گیری) ، در حال حاضر جدا از BRMS در دسترس هستند و قابلیت ترجمه مدل‌های قابل اثبات و مناسب برای کسب و کار، به زبان های قاعده ای موتورهای محبوب قواعد مدیریت کسب و کار را دارند. از مزیت‌های نمادهای مدل تصمیم گیری استاندارد در صنعت، می توان به ابزارهای کم هزینه تر و دسترسی گسترده تر به آموزش و پشتیبانی نیز اشاره کرد.

حال می توان گفت DMN چیست؟

DMN (علائم و مدل تصمیم گیری) یک استاندارد باز است. مفاهیم محدودیت های الگوی نمودار مستطیل و فرمت های DMN، مانند BPMN مالکیت معنوی محافظت شده متعلق به یک فروشنده ابزار یا شرکت مشاوره ندارند. DMN 1.0 رسما در سپتامبر ۲۰۱۵ منتشر شد، اما مجریان باید بر DMN (علائم و مدل تصمیم گیری) ۱.۱ که در دسامبر ۲۰۱۵ نهایی شده و در سال ۲۰۱۶ منتشر گردید، تمرکز کنند که با استفاده از متامدل‌ها و طرحواره‌ها، به رفع برخی از مشکلات پرداخته است.

دو ویژگی اصلی DMN (علائم و مدل تصمیم گیری) :

1. نمودار مورد نیاز تصمیم گیری (DRD)
2. جداول تصمیم گیری.

نمودار DRD وابستگی یک تصمیم (به شکل مستطیل) به سایر تصمیمات حمایتی و منابع اطلاعاتی که داده های ورودی نام دارند(به شکل بیضی) را توصیف می کند. این تصمیمات حمایتی ممکن است شامل تصمیمات انسانی و تصمیمات خارجی باشند – برای مثال، ارائه شده توسط یک سیستم کسب و کار یا یک دفتر خدمات خارجی – که منطق تصمیم آنها در مدل DMN (علائم و مدل تصمیم گیری) تعریف نشده است. بر خلاف دیگر نمادهای مدل سازی تصمیم گیری، مانند مدل تصمیم گیری انسانی (TDM)، اجرای یک تصمیم در بالای یک DRD ممکن است نیاز به مراحل متعدد داشته باشد که از لحاظ زمانی جدا از هم هستند. بنابراین قابلیت توصیف منطق end-to-end برای تصمیمات پیچیده کسب و کار به صورت یک تصویر ساده وجود خواهد داشت.محدودیت های الگوی نمودار مستطیل

بیت های منطق تصمیم گیری که مجددا استفاده می‌شوند ممکن است در DRD در قالب مدل های دانش کسب و کار نمایش داده شوند (به اختصار BKMs – به شکل مستطیل با گوشه های چیده شده و گرد)، که در یک مورد خاص توسط یک تصمیم و در قالب مقادیر ورودی فراخوانی می شوند. نمودار DRD همچنین می تواند یک تصمیم یا یک BKM را به منابع دانش (به شکل موج) متصل نماید. منابع دانش می‌توانند به شکل حاشیه نویسی در مدل ارائه شوند و نشاندهنده “اختیارات” در یک منطق تصمیم گیری باشند، مانند سیاست ها، قوانین کسب و کار یا مدل های تحلیلی. بنابراین DMN (علائم و مدل تصمیم گیری) می تواند کلیه متغیرها و مسئولین و اختیارات موجود در یک تصمیم گیری پیچیده کسب و کار را به صورت یک نمودار ساده به تصویر بکشد. نه ابزارهای مدل سازی تصمیم گیری خاص BRMS و نه TDM معمولاً نمی توانند این کار را انجام دهند.

در DRD پشت هر تصمیم و هر BKM، منطق تصمیم گیری وجود دارد که به طور معمول به صورت یک جدول تصمیم گیری یا یک عبارت تحت اللفظی است، یعنی یک رشته متنی در مجموعه عبارت های تعریف شده. جداول تصمیم گیری به مدت چندین دهه به فرمت‌های مختلف بوده اند و DMN (علائم و مدل تصمیم گیری) محدودیت های زیادی را روی فرمت‌های آنها اعمال می کند. در متداول ترین فرمت ردیف بالای جدول، ورودی ها و خروجی ها را ذکر می کند و هر ردیف دیگر موجود در زیر آن بیان کننده یک قانون تصمیم گیری هستند. هر ستون در این قانون شرط اعمال شده بر ورودی را در عنوان ستون تعریف می کند. اگر همه شرایط یک قانون صحیح باشند، گفته می شود که مطابقت دارد و خروجی آن قانون به عنوان خروجی جدول انتخاب می شود. به عنوان مثال، در جدول زیر اگر Customer = ” Business” و OrderSize

جدول تصمیم گیری

عناصر موجود در هر سلول از یک جدول تصمیم گیری – و همچنین متن مورد استفاده در یک عبارت تحت اللفظی – برای اینکه قابل تایید باشند باید بر اساس یک زبان بیان[۲] رسمی عنوان شوند. ایجاد این بخش کمی سخت است، زیرا شما از طرفی می خواهید این زبان بیان توسط تحلیلگران و سهامداران کسب و کار قابل استفاده باشد و از طرف دیگر به اندازه کافی غنی باشد تا بتواند منطق تصمیم گیری در دنیای واقعی را اداره نماید. در غیر این صورت، ما به روزهای بد قدیمی برمی گردیم که الزامات متنی باید توسط برنامه نویسان تفسیر و ترجمه می‌شدند. استاندارد DMN (علائم و مدل تصمیم گیری) در واقع مجبور بود برای این کار زبان بیان مخصوص خود را با نام FEEL اختراع کند. جداول تصمیم گیری مانند جدول شکل بالا، از یک زیر مجموعه ساده از FEEL به نام S-FEEL استفاده می کنند، اما FEEL در واقع طیف گسترده تری از عملکرد را نسبت به زبانهای قاعده ای BRMS های تجاری ارائه می دهد. ما هنوز منتظر ابزارهای تازه DMN (علائم و مدل تصمیم گیری) هستیم تا به کمک آنها بتوانیم به طور کامل از FEEL بهره برداری نماییم، اما آن روز چندان دور نخواهد بود.

در واقع DMN (علائم و مدل تصمیم گیری) هنوز در روزهای اولیه ظهور خود قرار دارد. از مهمترین مزایای DMN می توان گفت که DMN مستقل از ابزار است، برای کسب و کار مناسب و ساده است، دارای خصوصیات عمومی بر اساس یک فرآیند باز است و مدل هایی را ایجاد می‌کند که دقیق، قابل اثبات، و از نظر کارایی غنی تر از زبان‌های قاعده ای پیشین هستند (البته محدودیت های الگوی نمودار مستطیل پس از آنکه قدرت کامل DMN توسط ابزارها به اجرا درآید).

خوشه بندی Clustering

مقدمه ای بر خوشه بندی Clustering :

خوشه بندی در داده کاوی در اصل نوعی روش یادگیری بدون نظارت است. یک روش یادگیری بدون نظارت روشی است که در آن ما از مجموعه داده ­های متشکل از داده ­های ورودی بدون برچسب به عنوان فرآیندی برای یافتن ساختار معنی­ دار، ویژگی ­های تولیدی و گروه­ بندی­ های ذاتی مجموعه ­ای از مثال­ ها استفاده می­شود. خوشه ­بندی وظیفه تقسیم جمعیت یا نقاط داده به تعدادی گروه است به گونه ­ای که نقاط داده تخصیص داده شده به یک گروه­ بیشتر به سایر نقاط داده در همان گروه شباهت دارند و با نقاط داده در گروه ­های دیگر متفاوت است.

در اصل گروه ­بندی از اشیا بر اساس شباهت و عدم تشابه بین آن­ها است. خوشه ­بندی یکی از سخت ­ترین تکنیک­ های مدل­سازی است. این نه تنها دانش فنی مناسب، بلکه درک خوبی از انواع داده را نیز می­طلبد. از آنجا که این تکنیک ذاتاً بسیار ذهنی است، درست ساختن اصول اولیه بسیار حیاتی است. در این مقاله قصد داریم اصول خوشه ­بندی را بیان کنیم. برای مثال نقاط داده­ ای در نمودار زیر که به صورت خوشه­ ای جمع شده ­اند را می­توان در یک گروه واحد طبقه­ بندی کرد.

خوشه­ بندی

خوشه­ بندی محدودیت های الگوی نمودار مستطیل وظیفه تقسیم جمعیت یا نقاط داده به تعدادی گروه است به گونه­ ای كه نقاط داده در همان گروه ­ها بیشتر از نقاط دیگر گروه­ ها به سایر نقاط داده همان گروه شباهت دارد. به عبارت ساده، هدف این است که گروه­ هایی را با صفات مشابه تفکیک کرده و آن­ها را به صورت خوشه ­ای تقسیم کنید.

مثال خوشه بندی

بیایید این را با یک مثال خوشه بندی بررسی کنیم. فرض کنید، شما رئیس یک فروشگاه هستید و می­خواهید اولویت­ های مشتری­ های خود را برای گسترش کار خود درک کنید. آیا ممکن است شما به جزئیات هر مشتری نگاهی بیندازید و برای هر یک از آن­ها یک استراتژی تجاری منحصر به فرد طراحی کنید؟ قطعا نه. اما آنچه شما می­توانید انجام دهید اینست که همه مشتری­ های خود را بر اساس عادت خریدشان در 10 گروه قرار دهید و از یک استراتژی جداگانه برای مشتریان در هر یک از این 10 گروه استفاده کنید. و این همان چیزی است که آن را خوشه بندی می­نامیم.

خوشه بندی مشتریان یک استراتژی برای افزایش فروش و افزایش رضایت مشتری

بنابراین، به عبارت ساده، خوشه بندی یادگیری ماشینی فرآیندی است که طی آن گروه ­هایی را در داده ­ها ایجاد می­کنیم، مانند مشتریان، محصولات، کارمندان، اسناد متنی، به گونه­ ای که اشیایی که در یک گروه قرار می­گیرند بسیاری از خصوصیات مشابه یکدیگر و متفاوت از اشیایی است که در گروه­ های دیگری که در طی فرآیند ایجاد شده ­اند قرار می­گیرد. Object های مشابه به هم در یک گروه قرار می گیرد.

الگوریتم­ های خوشه ­بندی داده­ ها را می­گیرند و با استفاده از نوعی معیار تشابه، این گروه ­ها را تشکیل می­دهند؛ بعداً این گروه ­ها می­توانند در فرایندهای مختلف تجاری مانند بازیابی اطلاعات، تشخیص الگو، پردازش تصویر، فشرده­ سازی داده­ ها، بیوانفورماتیک و غیره مورد استفاده قرار گیرند. در فرایند یادگیری ماشین برای خوشه بندی، همانطور که در بالا ذکر شد، یک معیار شباهت مبتنی بر فاصله، نقشی محوری در تصمیم­ گیری خوشه­ بندی دارد.

در انواع روش ­های خوشه ­بندی برای یک خوشه بندی با کمترین خطا ، باید به دو هدف اصلی دست یابیم: یکی، شباهت بین یک نقطه داده با نقطه دیگر و دوم، تمایز آن نقاط داده مشابه با سایر نقاط است. اساس چنین تقسیماتی با توانایی ما در مقیاس­ گذاری مجموعه ­های داده بزرگ آغاز می­شود و این یک نقطه شروع اصلی برای ما است.

وقتی این مشکل را پشت سر گذاشتیم، با چالشی روبرو می­شویم که داده ­های ما حاوی انواع مختلفی از ویژگی ها است. داده­ های طبقه­ ای، پیوسته و غیره، و ما باید بتوانیم با آن ها کنار بیاییم. اکنون، ما می­دانیم که داده ­های این روزهای ما از نظر ابعاد محدود نیستند، ما داده ­هایی داریم که ماهیتی چند بعدی دارند. الگوریتم خوشه ­بندی که قصد استفاده از آن را داریم نیز باید با موفقیت از این مانع عبور کند.

خوشه ­های مورد نیاز ما نه تنها باید بتوانند نقاط داده را از هم تشخیص دهند بلکه باید فراگیر نیز باشند. مطمئناً، یک معیار فاصله بسیار کمک می­کند اما شکل خوشه اغلب به شکل هندسی محدود می­شود محدودیت های الگوی نمودار مستطیل و بسیاری از نقاط مهم داده از مطالعه حذف می­شوند. این مشکل نیز باید مورد توجه قرار گیرد. نتایج حاصل از الگوریتم خوشه­ بندی باید قابل درک باشد و متناسب با معیارهای کسب و کار باشد و به درستی به حل مشکل تجاری بپردازد. برای پرداختن به نکات مسئله در بالا، مقیاس­ پذیری، ویژگی­ها، ابعاد، شکل مرز، نویزها و تفسیر مواردی است که برای حل این مسائل، انواع مختلفی از روش­ های خوشه ­بندی را داریم که یک یا بسیاری از این مشکلات را حل می­کند.

انواع مختلف خوشه بندی عبارتند از:

خوشه ­بندی مبتنی بر اتصال (خوشه ­بندی سلسله مراتبی، Hierarchical clustering)

خوشه­ بندی مبتنی بر مرکز (روش­ های پارتیشن­بندی، Partitioning methods)

خوشه ­بندی مبتنی بر توزیع (Distribution-based Clustering)

خوشه ­بندی مبتنی بر تراکم (روش های مبتنی بر مدل، Model-based methods)

خوشه بندی فازی(Fuzzy Clustering)

خوشه­ بندی مبتنی بر محدودیت (خوشه نظارت شده، Supervised Clustering)

خوشه­ بندی سلسله مراتبی

خوشه بندی سلسله مراتبی روشی برای خوشه بندی یادگیری ماشین بدون نظارت است که در آنجا با یک سلسله مراتب تقسیم بندی، برای ساخت خوشه ها شروع می­شود. سپس اقدام به تجزیه اشیا (data، داده)بر اساس این سلسله مراتب می­کند، از این رو خوشه­ ها ایجاد می­شوند. این روش بر اساس جهت پیشرفت از دو روش پیروی می­کند، یعنی جریان از بالا به پایین یا از پایین به بالا برای ایجاد خوشه­ ها در نظر گرفته شود. این­ها به ترتیب تقسیم بندی و رویکرد تجمعی هستند.

رویکرد بالا به پایین (Divisive Approach)

این رویکرد خوشه ­بندی سلسله مراتبی از یک رویکرد از بالا به پایین پیروی می­کند­، جایی که ما در نظر می­گیریم که تمام نقاط داده متعلق به یک خوشه بزرگ است و سعی می­کنیم داده­ها را بر اساس منطق خاتمه بخش یا به گروه­های کوچکتر تقسیم کنیم. از نقاط داده این منطق خاتمه می­تواند بر اساس حداقل مربعات خطای درون یک خوشه باشد یا برای داده ­های دسته­ بندی شده، معیار می­تواند ضریب جینی درون یک خوشه باشد. از این رو، به طور تکراری، داده هایی را که زمانی به عنوان یک خوشه بزرگ گروه­ بندی شده بودند، به تعداد N خوشه­ ی کوچکتر تقسیم می­کنیم که اکنون نقاط داده به آن تعلق دارند. باید در نظر گرفته شود که این الگوریتم هنگام تقسیم خوشه ها بسیار “سخت” است. به این معنی که یک خوشه­ بندی در داخل یک حلقه انجام شود.

رویکرد پایین به بالا (Agglomerative Approach)

روش پایین به بالا کاملاً بر خلاف بالا به پایین است، جایی که تمام نقاط داده N به عنوان یک عضو واحد از خوشه ­های N در نظر گرفته می­شوند که داده ­ها در آن تشکیل شده است. ما این خوشه­ های متعدد N را به صورت تکراری با تعداد کمتری از خوشه­ ها ترکیب می­کنیم، بگذارید بگوییم خوشه­ های k از این رو نقاط داده را به ترتیب به هر یک از این خوشه ها اختصاص می­دهیم. این رویکرد از پایین به بالا است و همچنین در ترکیب خوشه­ ها از منطق خاتمه استفاده می­کند. این منطق می­تواند یک معیار مبتنی بر عدد باشد (دیگر خوشه ­ای بیش از این نقطه وجود ندارد) محدودیت های الگوی نمودار مستطیل محدودیت های الگوی نمودار مستطیل یا یک معیار فاصله (خوشه­ ها نباید از هم فاصله داشته باشند تا بتواند ادغام شود) یا معیار واریانس ( افزایش واریانس خوشه در حال ادغام نباید بیش از یک آستانه باشد).

خوشه بندی مبتنی بر Centroid

خوشه­ بندی مبتنی بر Centroid به عنوان یکی از ساده ­ترین الگوریتم­ های خوشه­ بندی در نظر گرفته می­شود، در عین حال موثرترین روش ایجاد خوشه­ ها و اختصاص نقاط داده به آن است. منطق پشت خوشه ­بندی مبتنی بر مرکز این است که یک خوشه مشخص شده و توسط یک بردار مرکزی نشان داده می­شود و نقاط داده ­ای که در نزدیکی این بردارها قرار دارند به خوشه ­های مربوطه اختصاص داده می­شوند. این گروه از روش ­های خوشه­ ای با استفاده از معیارهای مختلف فاصله، فاصله بین خوشه­ ها و مرکز را مشخص می­کنند. این­ها یا مسافت اقلیدسی، فاصله منهتن یا مسافت مینکوفسکی هستند.

با وجود نقص، خوشه بندی مبتنی بر Centroid ثابت کرده است که ارزش کار خوشه بندی سلسله مراتبی هنگام کار با مجموعه داده ­های بزرگ است. همچنین، به دلیل سادگی در اجرا و همچنین تفسیر، این الگوریتم­ها دارای زمینه­ های کاربردی گسترده ­ای هستند، یعنی تقسیم بازار، تقسیم بندی مشتری، بازیابی موضوع متن، تقسیم تصویر و غیره است.

خوشه بندی مبتنی بر تراکم (روش های مبتنی بر مدل)

اگر کسی دو روش قبلی محدودیت های الگوی نمودار مستطیل را که مورد بحث قرار گرفتیم بررسی کند، مشاهده می­کند که هر دو الگوریتم سلسله مراتبی و مرکز محور به یک معیار فاصله (شباهت / مجاورت) وابسته هستند و تعریف کلاستر بر اساس این معیار است. روش ­های خوشه­ بندی مبتنی بر تراکم به جای مسافت، تراکم را در نظر می­گیرند. خوشه­ ها به عنوان متراکم­ ترین ناحیه در یک فضای داده در نظر گرفته می­شوند که با نواحی با چگالی کمتر داده جدا شده و به عنوان مجموعه­ ای با حداکثر نقاط متصل تعریف شده است. هنگام انجام مراحل خوشه ­بندی، ما دو فرض عمده را در نظر می­گیریم، یكی داده ­­ها فاقد هرگونه نویز و دوم این که شكل خوشه ­ای كه بدین ترتیب ساخته شده است كاملاً هندسی (دایره ­ای یا بیضوی) است. واقعیت این است که داده­ ها همیشه دارای نوعی ناسازگاری (نویز) هستند که نمی­توان از آن­ها چشم پوشی کرد.

علاوه بر این، ما نباید خود را به یک شکل ویژگی ثابت محدود کنیم، مطلوب است که اشکال دلخواه داشته باشیم تا از هیچ نقطه داده­ ای غافل نشویم. این­ها مناطقی هستند که الگوریتم­ های مبتنی بر تراکم ارزش خود را ثابت کرده اند! الگوریتم های مبتنی بر تراکم می­توانند خوشه­ هایی با اشکال دلخواه­، خوشه ­های بدون هیچ محدودیتی در اندازه خوشه­ ها، خوشه­ هایی با حداکثر سطح همگنی با اطمینان از همان سطح چگالی درون آن بدست آورند و همچنین این خوشه ها شامل نقاط پرت یا داده­ های پر نویز هستند.

خوشه بندی مبتنی بر توزیع

این یک مدل خوشه ­بندی است که در آن ما داده ­ها را بر اساس احتمال اینکه چگونه ممکن است به یک توزیع یکسان تعلق داشته باشند، در گروه ­های مختلف قرار می­دهیم. گروه­بندی انجام شده ممکن است معمولی یا گاوسی باشد. مدل­ های توزیع خوشه ­بندی بیشترین ارتباط را با آمار دارند. سپس می­توان خوشه­ ها را به راحتی اشیایی تعریف کرد که به احتمال زیاد به یک توزیع مشابه تعلق دارند.

این مدل روی داده ­های مصنوعی و خوشه ­هایی با اندازه­ های مختلف خوب کار می­کند. خوشه­ بندی مبتنی بر توزیع از نظر انعطاف­ پذیری، درستی و شکل خوشه ­های تشکیل شده دارای یک مزیت آشکار نسبت به روش ­های خوشه­ بندی مبتنی بر مرکز است. مشکل اصلی این است که این روش ­های خوشه­ بندی فقط با داده ­های مصنوعی یا شبیه­ سازی شده یا داده­ هایی که بیشترین نقاط داده مطمئناً به یک توزیع از پیش تعریف شده تعلق دارند­، کار می­کنند، در غیر این صورت، ممکن است که نتایج با خطا رو به رو باشد.

خوشه بندی فازی

ایده کلی خوشه ­بندی فازی در مورد خوشه ­بندی مربوط به اختصاص نقاط داده به خوشه ­های متغیر است، به این معنی که یک نقطه داده همیشه به طور منحصر به فرد در داخل یک خوشه قرار دارد و نمی­تواند به بیش از یک خوشه تعلق داشته باشد. روش­ های خوشه ­بندی فازی با اختصاص یک نقطه داده به چند خوشه با درجه کمی از معیار تعلق، این الگوی را تغییر می­دهند. نقاط داده ­ای که در نزدیکی مرکز یک خوشه قرار دارند نیز ممکن است در خوشه­ ای قرار داشته باشند که در درجه بالاتر از نقاط لبه خوشه قرار داشته باشد. امکان متعلق بودن یک عنصر به یک خوشه معین با ضریب عضویت که از 0 تا 1 متغیر است اندازه­ گیری می­شود. خوشه ­بندی فازی را می­توان برای مجموعه داده ­هایی استفاده کرد که متغیرها، سطح بالایی از همپوشانی دارند. این یک الگوریتم کاملاً برگزیده برای تقسیم بندی تصویر است، به ویژه در بیوانفورماتیک که شناسایی کدهای ژنی با هم تداخل دارند.

خوشه­ بندی مبتنی بر محدودیت

خوشه ­بندی مبتنی بر محدودیت (خوشه نظارت شده) فرآیند خوشه ­بندی، به طور کلی، براساس این رویکرد است که داده ­ها را می­توان به تعداد مطلوب گروه­ های “ناشناخته” تقسیم کرد. مراحل اساسی همه الگوریتم­ های خوشه ­بندی برای یافتن آن الگوها و شباهت­ های پنهان، بدون هیچ گونه مداخله یا شرایط از پیش تعیین شده است؛ با این حال، در برخی از سناریوهای تجاری، محدودیت های الگوی نمودار مستطیل ممکن است لازم باشد داده ­ها را بر اساس محدودیت ­های خاص تقسیم کنیم. در الگوریتم یک نسخه نظارت شده از تکنیک­ های یادگیری ماشین خوشه ­ای است. یک محدودیت به عنوان خصوصیات مطلوب نتایج خوشه­ بندی یا انتظار کاربر از خوشه ­های تشکیل شده تعریف می­شود – این می­تواند از نظر تعداد مشخصی خوشه یا اندازه خوشه یا ابعاد مهم (متغیرها) باشد- که برای فرآیند خوشه­ بندی مورد نیاز است.

جمع بندی خوشه بندی

خوشه­ بندی نوعی روش یادگیری بدون نظارت در یادگیری ماشین است. در روش یادگیری بدون نظارت، نمونه­ ها از مجموعه داده­ های بدون برچسب گرفته می­شود. این یک تکنیک تجزیه و تحلیل داده ­های اکتشافی است که به ما امکان تجزیه و تحلیل مجموعه داده ­های چند متغیره را می­دهد. خوشه­ بندی وظیفه ­ای است که مجموعه داده ­ها را به تعداد مشخصی از خوشه­ ها تقسیم می­کند به گونه ­ای که نقاط داده متعلق به یک خوشه دارای ویژگی­ های مشابه هستند.

خوشه­ ها چیزی نیستند جز گروه ­بندی نقاط داده به گونه ­ای که فاصله بین نقاط داده در خوشه ­ها حداقل باشد یا به عبارت دیگر، خوشه ­ها مناطقی هستند که تراکم نقاط داده مشابه زیاد است. خوشه­ بندی یکی از پرکاربرد­ترین الگوریتم­های یادگیری ماشین است و برای کشف اطلاعات پنهان در داده ­ها بسیار مورد استفاده قرار می­گیرد و می­تواند به انسان و ماشین برای حل بسیاری از مشکلات در ابعاد بالا کمک کند.

الگوهای ادامه روند در تحلیل تکنیکال

عنصر اصلی معاملات نمودارهایی است که قیمت ها را در طول زمان نمایش می دهند. در نگاه اول، نمودارها ممکن است مانند خطوط شکسته غیرسیستماتیک معمولی و بدون هیچ وابستگی به نظر برسند و نوسانات قیمت تصادفی است، اما اینطور نیست. با تجزیه و تحلیل نمودارها هم به صورت دستی و هم به کمک ابزارهای فنی خاص بر اساس اصول آمار و تحلیل ریاضی، می توان الگوهای پنهان در تغییرات قیمت ها، روند تغییرات آنها را شناسایی کرد و با احتمال بالا پیش بینی کرد که قیمت ها در بورس چگونه خواهد بود. تغییر در لحظه بعد، که به شما امکان می دهد معاملات سودآوری انجام دهید.

بر اساس چندین سال تجربه معاملاتی، متخصصان به صورت تجربی و تحلیلی چندین رقم را در نمودار شناسایی کرده اند که به احتمال زیاد یکی از گزینه های ممکن برای رفتار نمودار را پیش بینی می کنند – به عنوان مثال، ادامه یا تغییر در یک روند. شما اغلب می توانید آنها را با این واقعیت تشخیص دهید که کاملاً واضح طراحی شده اند و از بقیه نمودارها متمایز هستند و همچنین در وسط یک روند قرار دارند. در این مقاله، ارقامی از آنها را در نظر خواهیم گرفت که نشان دهنده ادامه روند است، زیرا مشخص است که یک معامله گر برای موفقیت باید در جهت روند معامله کند. دانستن این الگوها به او این امکان را می دهد که با اطمینان موقعیت های فروش را با بالاترین قیمت ها با کمترین ریسک باز کند.

شکل “پرچم” [/ عنوان] اولین شکلی که در نظر خواهیم گرفت، به دلیل شباهت بیرونی آن به آن، “پرچم” نامیده می شود. این پرچم برخلاف سایر ارقام فقط با یک روند قوی ظاهر می شود. عنصر مورد توجه ما در این شکل “میله پرچم” آن است که شبیه یک میله پرچم واقعی است. جهت روند غالب را نشان می دهد. قسمت زیگزاگی که در لبه ها به شکل مستطیل محدود شده است، پارچه پرچم است، خود پرچم که در بازار مکثی را نشان می دهد. “پرچم” می تواند هم با شیب منفی و هم با شیب مثبت باشد، در حالی که اگر شیب میله پرچم مثبت باشد، خود پرچم دارای شیب منفی است و برعکس – اگر شیب “پرچم” مثبت باشد، شیب میله پرچم است. منفی. همانطور که می دانید شیب مثبت یا منفی نمودار نشان دهنده افزایش یا کاهش قیمت است. [caption align=”

الگوی پرچم در معاملات

نحوه تجارت بر روی “پرچم”

جهتی که روند در آن حرکت می کند مشخص می شود، بنابراین باید فقط بر روی عامل کمی قیمت تمرکز کرد. هدف قیمت پس از شکل گیری الگو را می توان با تعیین ارتفاع میله پرچم محاسبه کرد. همچنین شایان ذکر است که حداکثر اندازه خود پرچم معمولاً از پنج زیگزاگ تجاوز نمی کند ، پس از آن ، در پنجم ، قیمت از رقم فراتر می رود.

نحوه معامله بر روی “پرچم”[/ caption] آمار تأیید می کند که این رقم معمولاً با یک شکست شدید قیمت مرتبط است. برای محاسبه میزان تغییر شدید قیمت در یک شکست معین، یک معامله گر می تواند پارامترهای عددی مانند زاویه پرچم، عمق پارچه و تعداد امواج قبل از آن را تعیین کند. شدت شیب متناسب با قدرت شکست قیمت است. تجربه معاملاتی نشان می دهد که بهترین تاکتیک برای معاملات پرچم تنها پس از وقوع شکست است. ما در اینجا به دلیل این واقعیت نمی پردازیم، فقط این را به عنوان یک قاعده کلی که می تواند در عمل اعمال شود به خاطر بسپاریم.

به نظر می رسد یک پرچم است، اما با یک تفاوت: در “پرچم” امواج به شکل مستطیل، یعنی کانال، و در پرچم – به شکل مثلث محدود می شوند، ارتفاع نوسانات را باریک می کند. در جهت مخالف میله پرچم. تفاوت دوم این است که محدوده حرکت پرچم نسبت به پرچم باریکتر است و افزایش قیمت جلوی آن تقریباً عمود است. همچنین، این رقم یک ویژگی قابل توجه دارد: زمان کوتاهی که برای آن شکل گرفته است. دو نوع از این الگو وجود دارد: یک پرچم صعودی و یک پرچم نزولی.

معاملات پرچم صعودی

در لحظه ای که قیمت بالاتر از سطح بالایی مثلث تشکیل شده است، باید یک موقعیت خرید باز کنید. استاپ لاس باید زیر خط پایین قرار گیرد. برداشت سود باید به طول میله پرچم تنظیم شود.

معاملات پرچم نزولی

هنگامی که قیمت از سطح پایین تر نشانگر شکل گرفته فراتر رفت، باید یک موقعیت فروش باز کنید، سپس یک توقف ضرر را فراتر از خط بالایی تعیین کنید و سپس یک سود برداشتی برای طولی برابر با طول میله پرچم تعیین کنید [caption align="aligncenter" width = "530"]

معاملات پرچم صعودی

پس از تغییر شدید قیمت ساخته شده است، در حالی که شکلی شبیه به یک پرچم تشکیل می شود، اما با این تفاوت که مثلثی که نوسانات را تشکیل می دهد، به طور کامل تشکیل نشده است. این عنصر دارای شیب در جهت مخالف روند است.

مانند سایر شکل هایی که در بالا توضیح داده شد، این یکی می تواند صعودی و نزولی باشد. در مورد گوه صعودی شیب رو به بالا دارد اما این نوع رقم ادامه روند نزولی را نشان می دهد. و بالعکس – اگر گوه در حال سقوط به سمت پایین کج شود، این نشانه آن است که حرکت رو به بالا ادامه خواهد یافت. با توجه به روش معامله، این رقم بسته به زیرگونه آن که با آن سر و کار داریم متفاوت است: صعودی یا نزولی.

معاملات گوه در حال افزایش.

پس از شکسته شدن خط پایین گوه که “پشتیبانی” نیز نامیده می شود، ارزش معاملات را دارد. سپس لازم است موقعیت برای فروش در معرض دید قرار گیرد. توقف ضرر خود را بالاتر از “مقاومت” قرار دهید. در این حالت، سود برداشت باید بیشتر از اندازه شکل باشد.

تجارت با گوه در حال افزایش.

معامله در گوه در حال سقوط

پس از اینکه قیمت از خط بالایی عبور کرد، وارد بازار می شویم. ما یک سود برداشت بزرگتر از اندازه گوه تعیین می کنیم و یک توقف ضرر در زیر خط پایین قرار می دهیم.

مثلث مانند نوسانات زیگزاگی در یک کانتور به شکل مثلث به نظر می رسد. در اغلب موارد در انتهای روند اصلی شکل می گیرد. مثلث ها از نظر نوع شکل و قدرت سیگنال متفاوت هستند.

انواع بسته به شکل شکل

در مثلث های صعودی، محور تقارن دارای شیب مثبت است. در مثلث های نزولی، محور تقارن دارای شیب منفی است. برای مثلث های متقارن، محور تقارن موازی با محور زمان است، یعنی شیب ندارد. مثلث متقارن یک نشانگر قوی ادامه روند است.

مثلث صعودی و نزولی

چگونه تجارت کنیم

1. اگر بیش از پنج موج وجود داشته باشد، به احتمال زیاد قیمت پس از شکست سریعتر افزایش می یابد.
2. هرچه شکست زودتر رخ دهد، روند قوی تر است.

همچنین، مانند ارقام قبلی، بهتر است فقط زمانی که شکست قیمت تایید شده است، روی مثلث ها معامله کنید.

مستطیل صعودی

مستطیل صعودی یک الگوی ادامه روند است که زمانی شکل می‌گیرد که تغییر قیمت در طول یک روند صعودی قوی متوقف شود، و همچنین برای مدتی بدون فراتر رفتن از خطوط موازی نوسان می‌کند – که نشان‌دهنده حد نوسانات است.

مستطیل صعودی پس از آن، روند دوباره به سمت بالا حرکت می کند. در چنین شرایطی است که یک الگوی ادامه روند شکل می گیرد که در معاملات به عنوان “مستطیل صعودی” شناخته می شود. دو نسخه از مستطیل ها وجود دارد – صعودی و نزولی، با این حال، مانند بسیاری از ارقام دیگر. ما در این مقاله صعودی را در نظر خواهیم گرفت، زیرا نشانه‌ای از ادامه روند فعلی است. ما به روش‌هایی برای شناسایی آن‌ها و همچنین راه‌ها، استراتژی‌ها و تاکتیک‌هایی که بهتر است با استفاده از الگوی مستطیل صعودی مبادله کنیم، نگاه خواهیم کرد.

مستطیل صعودی در معاملات به دلیل شکل ساده آن، یافتن و شناسایی آن در نمودار بسیار آسان است. بیایید به شما بگوییم که چگونه به نظر می رسد: نوسانات به شکل زیگزاگ، محدود شده توسط یک کانتور مستطیلی شامل دو خط مستقیم در مقابل یکدیگر و موازی با محور زمان. قبل و بعد از تثبیت قیمت در محدوده مستطیلی شکل، جهش های شدیدی داشت. این رقم زمانی شروع می شود که قیمت در محدوده مشخص شده شروع به نوسان کند و زمانی پایان می یابد که از یکی از محدودیت ها – یکی از خطوط – عبور کند.

روش های معاملاتی برای مستطیل صعودی

روش اول

باز کردن معامله لازم است بلافاصله پس از بسته شدن شمع بالاتر از حد بالایی، خط مقاومت، وارد بازار شوید. به این معنا که اگر معامله طولانی باشد، باید یک موقعیت خرید قرار دهید. توقف ضرر باید درست زیر سطح حمایت قرار گیرد، که با خط پایین در نمودار نشان داده شده است. شما باید سطح سود را به صورت زیر تنظیم کنید: ارتفاع شکل را بگیرید و سطح سود را در همان فاصله بالاتر از سطح محدودیت های الگوی نمودار مستطیل مقاومت (خط بالایی) قرار دهید.

روش دوم

الگوریتم اقدامات مانند روش اول شروع می شود – ابتدا باید منتظر بمانید تا شمع در سطح مقاومت بسته شود و آن را بشکنید. سپس باید در لحظه ای که قیمت به سطح مقاومت سقوط کرد و دوباره شروع به رشد کرد، یک سفارش خرید باز کنید (در این لحظه خط مقاومت به یک خط حمایت برای شکل مستطیل جدید تبدیل می شود). استاپ لاس باید کمی زیر خط مقاومت (جدید) قرار گیرد.

نحوه تعیین سطح سود

درست مانند روش اول، باید سطح سود را در فاصله ارتفاع رقم بالاتر از سطح مقاومت قرار داد.

مستطیل در معاملات مستطیل صعودی الگوی ادامه روند صعودی است که نشان می‌دهد چه چیزی را می‌توان با سود خرید کرد. یک معامله طولانی را می توان پس از شکسته شدن خط مقاومت (طبق روش اول معامله) باز کرد، یا زمانی که قیمت پس از آن نیز از این سطح برگشت و آن را به یک خط حمایت جدید تبدیل کرد (روش دوم معامله در روند صعودی). مستطیل) توقف ضرر باید در زیر خط حمایت پایین (روش معاملاتی 1) یا زیر خط مقاومت بالایی پس از تبدیل شدن oa به خط حمایت جدید قرار گیرد (روش معاملاتی مستطیل صعودی 2). سطح سود باید در فاصله ای برابر با ارتفاع شکل، بالای خط مقاومت بالایی قرار گیرد. الگوهای ادامه روند در تحلیل تکنیکال، نحوه یافتن و نحوه تجارت: https://youtu.be/9p6ThSkgoBM

نتیجه

اگرچه جستجو و تجارت بعدی با استفاده از الگوهای فوق یک علم دقیق نیست، بلکه فقط به حوزه آماری ریاضیات تعلق دارد که فقط پیش بینی های تقریبی تغییرات قیمت را ارائه می دهد، اما هنوز ارزش دارد که در شناسایی آنها تمرین کنید، زیرا به این ترتیب الگوها را خیلی بیشتر پیدا خواهید کرد و دانستن معنای آنها به شما کمک می کند پیش بینی درستی داشته باشید و بیشترین ارزش را از معاملات با بیشترین احتمال و کمترین ریسک به دست آورید. علاوه بر این، این ارقام نه تنها می‌توانند به عنوان سیگنال‌های ادامه روند عمل کنند، بلکه اهداف قیمتی را نیز نشان می‌دهند، که برای معامله‌گری که منطقی و متفکرانه به تجارت نزدیک می‌شود نیز مهم است. در نهایت استفاده از این ارقام از نظر آماری مزایای بیشتری را به همراه دارد.