موتور تطبیقی پرتفوی سایه (SPA) چیست و چگونه کار می‌کند ؟

مقدمه: الگوریتم زنده

 برای دهه‌ها، تحلیل تکنیکال یک گفت‌وگو بین معامله‌گر و نمودار ثابت بوده است. ما خطوط خود را می‌کشیم، اندیکاتورهایی با ورودی‌های ثابت اعمال می‌کنیم و امیدواریم که ابزارهای خشک و سخت بتوانند جوهره بازاری را که سیال، آشفته و همواره در حال تحول است، ثبت کنند. وقتی ابزارهای ما شکست می‌خورند، به ما می‌گویند: «سازگار شو.» اما چه می‌شود اگر خود ابزارها بتوانند این درس را بیاموزند؟ اگر اندیکاتورهای ما نه فقط برای ما، بلکه همراه با ما سازگار شوند چه خواهد شد؟

این اسکریپت، INFLECTION NEXUS – SPA، اولین گام در آن مسیر است. این یک چارچوب آزمایشی، یک پروژه تحقیقاتی است که به‌صورت عمومی به اشتراک گذاشته شده و حول یک هسته کاملاً نوآورانه ساخته شده است: موتور Shadow Portfolio Adaptive (SPA). بیایید از ابتدا شفاف باشیم: منطق سیگنال‌هایی که می‌بینید—برچسب‌های خرید و فروش—نسخه تکامل‌یافته‌ای از کار قبلی من یعنی Turning Point است. سیگنال‌ها ستاره این نمایش نیستند. کل این انتشار، vitrinی برای نمایش موتور خودیادگیرنده انقلابی است که اکنون قدرت‌بخش آن‌هاست.

شما احتمالاً وقتی این سیستم را برای اولین بار بارگذاری می‌کنید، احساس خواهید کرد که به طرز طاقت‌فرسایی پیچیده است. این طراحی‌شده است. این یک اندیکاتور ساده‌ی کراس‌اور دیگر نیست. این یک نگاه به درون سیستمی است که طراحی شده تا چرخه یادگیری مداوم ذهن انسان را شبیه‌سازی کند. هدف من از این سند، شکافتن هر جزء، هر رنگ، هر عدد به بخش‌های ساده و قابل‌فهم است. ما قدم‌به‌قدم پیش خواهیم رفت تا در پایان نه‌تنها بفهمید چگونه کار می‌کند، بلکه عمق تحلیلی که به جای شما انجام می‌دهد را نیز درک کنید.

این یک نسخه بتا است. همه ویژگی‌های برنامه‌ریزی‌شده هنوز به‌طور کامل فعال نیستند و با ادامه تحقیقات به‌روزرسانی خواهند شد. اما هسته اصلی اینجاست و نشان‌دهنده یک پارادایم جدید است. آماده باشید تا با اسکریپتی روبه‌رو شوید که صرفاً بازار را تحلیل نمی‌کند—بلکه فعالانه می‌کوشد آن را درک کند.

فصل اول: تغییر پارادایم – چرا موتور SPA یک جهش رو به جلو است

برای درک نوآوری اینجا، ابتدا باید مدل قدیمی اندیکاتورهای «سازگارشونده» را بازبینی کنیم.

بخش A: مدل سنتی – رانندگی با آینه عقب

تصور کنید یک ماشین خودران فقط پس از اتمام سفر می‌تواند تنظیمات خود را اعمال کند. این در اصل همان کاری است که بیشتر سیستم‌های معاملاتی «سازگار» انجام می‌دهند. فرایند آن‌ها اساساً واکنشی و ناکارآمد است:

• انتظار برای سیگنال: سیستم بیکار می‌ماند تا منطق ازپیش‌کدنویسی‌شده‌اش (مثلاً کراس میانگین متحرک) یک سیگنال خرید یا فروش ایجاد کند.
• انتظار برای نتیجه: سپس منتظر می‌ماند تا کل معامله بسته شود و با سود یا زیان تمام شود.
• جمع‌آوری داده محدود: تنها از عملکرد سیگنال‌های خودش یاد می‌گیرد. اگر بازار حرکت کند اما سیگنالی تولید نشود، سیستم کور است و هیچ چیزی نمی‌آموزد.
• نیاز به حجم نمونه عظیم: برای اجتناب از تغییرات ناشی از شانس، باید صدها معامله (۵۰، ۱۰۰ یا بیشتر) داشته باشد تا به اندازه‌ای معنادار برسد.
• انجام تعدیل دیرهنگام: در نهایت، پس از این دوره طولانی «گرم شدن»، یک تغییر کوچک و گذشته‌نگر در پارامترها انجام می‌دهد.

اشکال致ی واضح است: این مدل همیشه در حال سازگاری با بازاری است که دیگر وجود ندارد. کند، داده‌محور محدود، و به‌شدت گرفتار منطق سیگنال خودش است.

بخش B: مدل SPA – کمک‌راننده فعال

موتور Shadow Portfolio Adaptive (SPA) بازآفرینی کامل این فرایند است. این موتور یک تاریخ‌نگار واکنشی نیست؛ بلکه یک کمک‌راننده فعال و همواره حاضر است که به‌طور مداوم یاد می‌گیرد و بازتنظیم می‌شود.

• هیچ‌وقت منتظر نمی‌ماند: موتور SPA برای یادگیری منتظر سیگنال نمی‌ماند. از همان لحظه‌ای که روی نمودار بارگذاری می‌کنید، پرتفوی سایه‌ای آن شروع به اجرای معاملات ۵-کندلی خرید و فروش در پس‌زمینه می‌کند. این موتور در حال تست یک «سیگنال» نیست؛ بلکه در حال تست خودِ بافت بازار است، کندل‌به‌کندل.
• اشباع از داده است: چون از هر برش ۵-کندلی پرایس‌اکشن یاد می‌گیرد، حجم عظیمی از داده‌های بی‌طرف جمع‌آوری می‌کند. در حالی‌که یک سیستم سنتی ممکن است هر ۵۰ کندل فقط یک معامله برای یادگیری داشته باشد، موتور SPA از هر کندل، یک معامله خرید و یک معامله فروش برای یادگیری دارد.
• آگاهی فوری از بازار – پایان «گرم شدن»: نوآوری اصلی همین است. یک سیستم سنتی تطبیقی، برای اولین ۵۰ تا ۱۰۰ معامله عملاً بی‌فایده است. اما دوره گرم شدن موتور SPA دقیقاً ۵ کندل است. در کندل ششم، اولین معامله سایه بسته می‌شود، یک داده ایجاد می‌شود، و فرایند یادگیری آغاز می‌گردد. از کندل ششم به بعد، موتور از بازار آگاه است و می‌تواند تنظیمات هوشمندانه انجام دهد. موتور SPA در حال سازگاری با برد و باخت‌های قدیمی نیست؛ بلکه تقریباً در لحظه، خود را با شخصیت، نوسان‌پذیری و رفتار متغیر بازار تطبیق می‌دهد.

فصل دوم: کالبدشناسی موتور SPA – راهنمای کودکانه برای یک مغز پیچیده

این موتور از سه سیستم اصلی تشکیل شده که در هماهنگی زیبایی با هم کار می‌کنند. بیایید آن‌ها را تجزیه کنیم.

بخش ۱: پرتفوی سایه (برداشت‌کننده اطلاعات)

• چیست، به سادگی: این چشم و گوش اسکریپت است. تیمی متشکل از ۱۰ معامله‌گر مجازی (۵ خرید، ۵ فروش) که دائماً معاملات کوچک و سریع انجام می‌دهند تا بازار را لمس کنند.

• چگونه کار می‌کند، به سادگی: در هر کندل جدید، یک معامله‌گر خرید و یک معامله‌گر فروش وارد بازار می‌شوند. دقیقاً ۵ کندل بعد، پوزیشن خود را می‌بندند. این چرخه دائمی و بی‌وقفه ادامه دارد.

• چرایی حیاتی: چون این معامله‌گران مجازی براساس زمان ثابت (۵ کندل) وارد و خارج می‌شوند، نه براساس سیگنال «خوب» یا «بد»، نتایج آن‌ها کاملاً بی‌طرف است. آن‌ها صرفاً اندازه‌گیری می‌کنند: «در ۵ کندل اخیر چه بر سر قیمت آمد؟» این حقیقت خام و دست‌نخورده‌ای از رفتار بازار است که بقیه سیستم برای یادگیری به آن نیاز دارد.

• معیار طلایی (نرمال‌سازی ATR): موتور فقط به سود و زیان دلاری نگاه نمی‌کند. سؤال هوشمندانه‌تری می‌پرسد: «این معامله نسبت به نوسان فعلی چقدر سودآور بود؟»

• تمثیل: یک کک و یک فیل را تصور کنید. اگر هر دو یک اینچ بپرند، کدام چشمگیرتر است؟ کک. موتور SPA این را می‌فهمد. ۱۰ دلار سود وقتی بازار کاملاً آرام است بسیار مهم‌تر از ۱۰ دلار سود در یک نوسان وحشی است.

• فرمول:

  realized_atr=(close−trade.entry)trade.atr_entryrealized_atr=trade.atr_entry(close−trade.entry)​

  موتور سود خام را تقسیم بر میانگین دامنه واقعی (ATR) در لحظه ورود می‌کند. این یک امتیاز خالص و مقایسه‌ای برای هر معامله ایجاد می‌کند که داده بنیادین تمام یادگیری‌هاست.

بخش ۲: نقشه شناختی (مغز بلندمدت)

• چیست، به سادگی: این حافظه عمیق موتور است، کتابخانه‌ای از تجربیات. تصور کنید یک صفحه شطرنج ۶۴ خانه‌ای (شبکه ۸×۸). هر خانه نشان‌دهنده یک نوع بسیار خاص از محیط بازار است.
• دو بُعد تفکر (چگونه): موتور چگونه می‌فهمد در کدام خانه هستیم؟ به دو چیز نگاه می‌کند:

البته! در ادامه متن شما را به صورت کامل و عیناً به فارسی ترجمه کردم:

شخصیت بازار (محور X):

آیا بازار مانند یک سرباز منظم رفتار می‌کند که در یک روند مشخص قدم برمی‌دارد؟ یا شبیه یک کودک آشفته و غیرقابل پیش‌بینی است که بی‌هدف به هر طرف می‌دود؟ موتور یک امتیاز «رژیم» محاسبه می‌کند تا این موضوع را مشخص کند.

سطح انرژی بازار (محور Y):

آیا بازار خواب‌آلود و آرام است، یا بیدار و بیش‌فعال؟ موتور «نوسان نرمال‌شده» را اندازه می‌گیرد تا این موضوع را تعیین کند.

قدرت تعمیم (چرایی):

وقتی یک معامله در پرتفوی سایه بسته می‌شود، نتیجه آن در مربع مربوطه روی صفحه شطرنج ثبت می‌شود. اما بخش هوشمند ماجرا این است که آن نتیجه کمی از آن درس را با مربع‌های مجاور نیز به اشتراک می‌گذارد (با استفاده از هسته گاوسی).

تشبیه: اگر شما به اجاق داغ دست بزنید و یاد بگیرید «لمس نکن»، مغزتان آنقدر باهوش است که بداند احتمالاً نباید به درِ داغ فر اجاق هم دست بزنید، حتی اگر مستقیماً آن را لمس نکرده باشید. نقشه شناختی دقیقاً همین کار را انجام می‌دهد، و به آن امکان می‌دهد حتی در شرایط بازاری که کمتر دیده است، استنباط‌های هوشمندانه‌ای داشته باشد. هر مربع به خاطر می‌سپارد که چه تنظیمات اندیکاتوری در آن محیط خاص بهترین عملکرد را داشته‌اند.

بخش ۳: موتور تطبیقی (سیستم عصبی مرکزی)

چیست، به زبان ساده: این رهبر ارکستر است. اطلاعات را از تمام بخش‌های دیگر سیستم می‌گیرد و دقیقاً تصمیم می‌گیرد چه باید کرد.

سمفونی ورودی‌ها:

این موتور به سه منبع اطلاعاتی مجزا گوش می‌دهد قبل از اینکه تصمیم بگیرد:

1. حافظه کوتاه‌مدت (آمار غلتان): عملکرد آخرین تعداد rollN معامله‌های سایه را بررسی می‌کند. این همان تجربه اخیر و فوری آن است.
2. خرد بلندمدت (نقشه شناختی): به کتابخانه بزرگ نقشه شناختی رجوع می‌کند تا ببیند در نوع بازار فعلی در طولانی‌مدت چه چیزی بهترین نتیجه را داشته است.
3. غریزه درونی (یادگیری سطلی): یک «مینی‌بچ» کوچک از جدیدترین معاملات را نگه می‌دارد. اگر این دسته یک الگوی خیلی قوی و ناگهانی نشان دهد، می‌تواند باعث یک تغییر سریع و واکنشی شود، درست مثل وقتی که دستتان را سریع از روی شعله عقب می‌کشید.

فرآیند ترکیب:

سپس این سه نظر را به شکلی پیشرفته ترکیب می‌کند. به نظراتی که اعتماد بیشتری به آن‌ها دارد وزن بیشتری می‌دهد (مثلاً یک مربع نقشه شناختی با صدها معامله تجربه). همچنین از ورودی «شدت تطبیق» (dialK) شما استفاده می‌کند تا تصمیم بگیرد چقدر باید به «غریزه» خود گوش دهد. در نهایت، تصمیم نهایی هموارسازی می‌شود تا اطمینان حاصل شود که پارامترهای اندیکاتور به شکلی پایدار و هوشمندانه تغییر می‌کنند.

فصل ۳: پنل کنترل – راهنمای جزئی ورودی‌ها

هر ورودی یک اهرم برای تنظیم موتور است. بیایید آن‌ها را ساده کنیم.

🧾 موتور سیگنال (اصلی): این ورودی‌ها منطق سیگنال «نقطه چرخش» را کنترل می‌کنند.

• چیستند: کلیدهای تغییر حالت برای مد معکوس (گرفتن سقف‌ها/کف‌ها) و مد شکست (دنبال کردن روند)، به‌علاوه فیلترهایی مانند «نیاز به اوج/افت جدید» برای اطمینان از اینکه سیگنال‌ها از نقاط کشیدگی می‌آیند.
• چطور استفاده شوند: برای بازاری که در محدوده است، مد معکوس بهتر است. برای بازاری با روند قوی، مد شکست مناسب‌تر است. این تنظیمات هشدار نهایی را ریزتنظیم می‌کنند، هشداری که با موتور تطبیقی تقویت می‌شود.

🎛️ کنترل اصلی:

• شدت تطبیق (dialK): این مهم‌ترین ورودی است. شخصیت موتور یادگیری را کنترل می‌کند.

  • تنظیم پایین (۱-۵): یک موتور شبیه «استاد پیر دانا» می‌سازد. صبور است، از دسته‌های داده بزرگ‌تر یاد می‌گیرد، و تغییرات کند، حساب‌شده و با اعتماد بالا انجام می‌دهد. برای دارایی‌های باثبات مثل شاخص‌ها یا سهام بزرگ مناسب است.
  • تنظیم بالا (۱۵-۲۰): یک موتور شبیه «معامله‌گر روزانه بیش‌فعال» می‌سازد. از نمونه‌های کوچک یاد می‌گیرد، به غریزه‌اش اعتماد می‌کند، و تغییرات بزرگ و پرخطر برای هماهنگی با بازارهای پرهیجان ایجاد می‌کند. برای دارایی‌های پرنوسان مثل ارزهای دیجیتال یا سهام میم مناسب است.

🧠 موتور تطبیقی و 🎯 یادگیری:

• چیستند: مکانیک عمیق فرآیند یادگیری. نرخ یادگیری پایه، اندازه گام اصلی تنظیمات است. اندازه پنجره غلتان طول «حافظه کوتاه‌مدت» آن را مشخص می‌کند. تکانه تطبیق کنترل می‌کند که پارامترها چقدر روان به مقادیر جدید یادگرفته‌شده منتقل شوند.
• چطور استفاده شوند: برای بیشتر کاربران، مقادیر پیش‌فرض متعادل‌اند. کاربران حرفه‌ای می‌توانند برای حساس‌تر یا کندتر کردن موتور به اطلاعات جدید، این‌ها را تغییر دهند.

🗺️ نقشه شناختی، حافظه کوتاه‌مدت و ایستگاه‌های ذخیره:

• چیستند: کنترل‌های مغز موتور. فعال‌سازی نقشه شناختی حافظه بلندمدت را روشن می‌کند.

سیستم ایستگاه ذخیره – ویژگی «ذخیره بازی» شما:

این فوق‌العاده قدرتمند است.

• ذخیره: «صدور ایستگاه ذخیره حالا» را فعال کنید. به لاگ هشدار خود بروید و یک رشته طولانی متن خواهید دید. کل آن را کپی کنید.
• بارگذاری: آن رشته را در جعبه ورودی «ایستگاه حافظه» بچسبانید. «اعمال ایستگاه ذخیره در کندل بعدی» را فعال کنید. اسکریپت بلافاصله کل «مغز» خود را بارگذاری می‌کند — تمام پارامترهای یادگرفته‌شده و هر ۶۴ سلول نقشه شناختی. می‌توانید موتور را روی یک نمودار آموزش دهید و هوشش را به نموداری دیگر منتقل کنید.

فصل ۴: مرکز فرماندهی – رمزگشایی داشبورد

این پنجره ذهن موتور است. نترسید. بیایید ساده‌سازی کنیم.

پنل A (گره انحنا): نمای کلی سطح بالا

• زمینه بازار: ببینید موتور چگونه بازار را از نظر روند و رژیم (شخصیت) طبقه‌بندی می‌کند.
• خلاصه پرتفوی سایه: کارنامه موتور. نرخ برد و میانگین سود/زیان را ببینید تا کیفیت داده خامی که از آن یاد می‌گیرد را ارزیابی کنید.

پنل B (پرتفوی سایه تطبیقی): تشخیص عمیق

• معیارهای عملکرد: آمار پیشرفته مثل نسبت شارپ (بازده در برابر ریسک) و نسبت سورتینو (بازده در برابر ریسک نزولی). این‌ها کیفیت و ثبات حرکات بازاری که موتور در حال تحلیل آن است را نشان می‌دهد.

• پارامترهای تطبیقی (زنده در برابر پایه): این مهم‌ترین بخش است. پارامترهای زنده موتور را کنار ورودی‌های (پایه) شما نشان می‌دهد.

  • چطور تفسیر شوند: اگر دیدید طول ATR زنده برابر ۴۵ است در حالی که ورودی پایه شما ۲۰ است، موتور می‌گوید: «بازار اکنون در یک روند بلند و روان است. نویز کوتاه‌مدت یک دام است. من آموخته‌ام که باید از دید بلندمدت‌تری استفاده کنیم تا تصویر واضح‌تر شود.» این بخش یادگیری موتور را مستقیم به بینشی عملی ترجمه می‌کند.

• لاگ حافظه: یک تیکر زنده از افکار موتور، که هر معامله‌ای را که از آن یاد می‌گیرد و هر تغییری که اعمال می‌کند نشان می‌دهد.

فصل ۵: خواندن بوم – بصری‌سازی روی نمودار

• باندها (خطوط سبز/آبی): این‌ها خطوط استاتیک سوپرترند نیستند. آن‌ها تجسم فیزیکی تفکر فعلی موتور هستند. همان‌طور که موتور دوره ATR و ضریب خود را یاد می‌گیرد و تطبیق می‌دهد، می‌بینید این باندها گسترش، تنگ شدن و تغییر فاصله از قیمت را تجربه می‌کنند. آن‌ها زنده‌اند.
• برچسب‌ها (خرید/فروش): این خروجی نهایی منطق «نقطه چرخش» است، اکنون تقویت‌شده و آگاه‌شده توسط موتور تطبیقی SPA.
• تپش بنفش (نقطه و درخشش پس‌زمینه): این نشانه بصری شماست که موتور «در حال فکر کردن» است. هر بار که این تپش را می‌بینید، یعنی SPA تازه یک چرخه یادگیری کامل کرده و پارامترهایش را به‌روزرسانی کرده است. این فعالانه خودش را با بازار بازتنظیم می‌کند.

فصل ۶: بیانیه شخصی درباره نوآوری

می‌خواهم با یک یادداشت شخصی درباره اینکه چرا ساعت‌های بی‌شماری را صرف ساخت سیستم‌هایی مانند این می‌کنم و آن‌ها را آزادانه به اشتراک می‌گذارم، پایان دهم.

هدف من پیش بردن نوآوری است، همین. من در این فضا نیستم تا دنبال جمعیت بروم یا ایده‌های قدیمی را دوباره بسته‌بندی کنم. دنیا به نسخه صدم یک MACD کمی تغییر داده‌شده نیازی ندارد. پیشرفت واقعی از دل ناشناخته‌ها می‌آید، از پرسیدن سؤال‌های دشوار، و از دنبال کردن مفاهیمی که در لبه مرز امکان قرار دارند.

من از اشتباه کردن نمی‌ترسم. از اینکه همتایانم از من بهتر باشند، نمی‌ترسم. در واقع، از این استقبال می‌کنم. اگر توسعه‌دهنده دیگری ایده‌ای از این موتور بگیرد، آن را بهبود دهد، و چیزی حتی شگفت‌انگیزتر بسازد، این یک پیروزی بزرگ برای کل جامعه ماست. تنها شکستی که می‌شناسم، شکست در تلاش نکردن است. تنها دامی که از آن می‌ترسم، رکود خلاقانه و تولید کارهای تکراری و بی‌روح برای راضی کردن وضعیت موجود است.

من این جامعه را دوست دارم، و با تمام وجودم باور دارم که ما فقط سطح چیزهایی را که می‌توان کشف و خلق کرد، خراش داده‌ایم. این اسکریپت سهم من در آن سفر مشترک است. این یک ابزار، یک ایده، و یک چالش برای همه ماست: بیایید همچنان پیش برویم.

سلب مسئولیت:

این اسکریپت یک چارچوب آزمایشی است که تنها برای اهداف آموزشی و پژوهشی ارائه می‌شود. این یک مشاوره مالی نیست. تمام معاملات شامل ریسک بالای ضرر هستند. عملکرد گذشته نشان‌دهنده نتایج آینده نیست. لطفاً از این ابزار به‌طور مسئولانه و در قالب یک برنامه جامع معاملاتی استفاده کنید.

همان‌طور که هربرت اِی. سایمون، دانشمند بزرگ علوم کامپیوتر و پیشگام هوش مصنوعی، مشهور گفت: «یادگیری هر فرآیندی است که طی آن یک سیستم عملکرد خود را از تجربه بهبود می‌بخشد.»

باشد که این موتور تجربه شما را بهبود دهد.

— Dskyz، برای سیستم‌های معاملاتی DAFE