محاسبه Momentum

تحت تنظیمات بالا, ما همیشه از momentum با مقدار =۰٫۹ μ استفاده میکنیم. ما آموزش را با نرخ یادگیری پایه (base_lr ا ) α=۰٫۰۱=۱۰ -۲ برای ۱۰۰ هزار تکرار اول شروع میکنیم و سپس نرخ یادگیری را با مقدار (gama (γ ضرب کرده و آموزش را با نرخ یادگیری برای ۱۰۰ هزار تکرار بعدی (۱۰۰-۲۰۰) ادامه میدهیم . به همین صورت برای تکرار های ۲۰۰ هزار تا ۳۰۰ هزار از نرخ یادگیری استفاده کرده و نهایتا از نرخ یادگیری برای تکرار های باقی مانده (۳۰۰ تا ۳۵۰ هزار) استفاده میکنیم .

تاثیر روش محاسبه سرعت روی وجوه سلول در شبیه سازی جریان زیربحرانی در کانال های باز

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 18 صفحه است به صورت فایل PDF در اختیار داشته باشید.

مشخصات نویسندگان مقاله تاثیر روش محاسبه سرعت روی وجوه سلول در شبیه سازی جریان زیربحرانی در کانال های باز

چکیده مقاله :

در این تحقیق تاثیر محاسبه سرعت روی وجوه سلول در یک مدل عددی دوبعدی قائم برای حل معادلات نویر-استوکس غیردائمی با قابلیت محاسبه فشارهای دینامیک، برای جریان های با سطح آزاد بررسی شده است. در این مدل با بهره گیری از الگوریتم پروجکشن، معادلات در سیستم مختصات منحنی الخط غیرمتعامد در شبکه ای هم مکان حل می شوند و برای برآورد مقادیر سرعت (شار) روی وجوه حجم کنترل، از روش میان یابی خطی ، و چند روش میان یابی مومنتم استفاده شده است. نتایج گویای آنست که، اگر تغییرات شیب بستر و شیب سطح آب ملایم باشد؛ دقت مدل سازی عددی با استفاده از انواع روش های میان یابی مومنتم ، یکسان خواهد بود. همچنین شبیه سازی با استفاده از میا ن یابی خطی در این شرایط، دقت قابل قبولی را در پی خواهد داشت. از سوی دیگر، اگر شیب سطح آب تند باشد، نوسانات غیرواقعی فشار به نحوی شدت می گیرند که استفاده از میا ن یابی خطی سیستم را به سمت واگرایی سوق می دهد و برای حل این چالش، به کارگیری روش های میان یابی مومنتم ضرورت می یابد. بررسی زمان لازم برای پردازش آزمون های انجام شده همچنین نشان می دهد، استفاده از روابط میان یابی مومنتم با روابط پیچیده تر نسبت به میان یابی خطی ، سبب صرفه جویی بیشتر در هزینه محاسبات می شود. درصورت کوچک بودن مولفه قائم سرعت در مقایسه با مولفه افقی که در بسیاری از جریان های سطح آزاد برقرار است؛ اهمیت برآورد سرعت روی وجوه حجم کنترل، در راستای طولی کانال بیشتر از راستای قائم می باشد. نتایج تحقیق حاضر نشان می دهد در چنین شرایطی اگر روابط میان یابی مومنتم فقط برای برآورد سرعت روی وجوه شرقی و غربی حجم کنترل استفاده شود و برای وجوه بالا و پائین از میان یابی خطی استفاده شود، ضمن کاهش هزینه محاسبات، دقت و کارایی مدل کاهش نمی یابد.

کلیدواژه ها:

کد مقاله /لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_JHYDAN-11-3_002 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

نحوه استناد به مقاله :

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

دهقان بهابادی، زهره و هادیان، محمدرضا و زراتی، امیررضا،1395،تاثیر روش محاسبه سرعت روی وجوه سلول در شبیه سازی جریان زیربحرانی در کانال های باز،https://civilica.com/doc/890435

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: ( 1395، دهقان بهابادی، زهره؛ محمدرضا هادیان و امیررضا زراتی )
برای بار دوم به بعد: ( 1395، دهقان بهابادی؛ هادیان و زراتی )
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله :

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

• دهقان، ب. ز.؛ هادیان، م. ر.و زراتی، ا. ر. (1390). .
• هادیان، م. ر. و زراتی، ا. ر. (1388). مدل های .
• Ahmadi, A., Badiei, P., and Namin, M. M. (2007). An .
• Alfrink, B. J., and van Rijn, L. C. (1983). Two-equation .
• Blom, P., and Booij, R. (1995). Turbulent free-surface flow over .
• Casulli, V., and Stelling, G. S. (1998). Numerical simulation of .
• Casulli, V. (1999). A semi-implicit finite difference method for non-hydrostatic, .
• Christian, C., and Corney, P. (2004). Three dimensional model of .
• Choi, S. K. (1999). Note on the use of momentum .
• Choi, S. K., Nam, H. Y., and Cho, M. (1994). .
• Cubero, A., and Fueyo, N. (2007). A compact momentum interpolation .
• Ferziger, J. H., and Peric, M. (1997). Computational methods for .
• Hadian, M., Zarrati, A., and Eftekhari, M. (2005). Development of .
• Hoffman, G. J. C. M. (1992). Two-dimensional mathematical modelling of .
• Kobayashi, M., and Pereira, J. (1991). Numerical comparison of momentum .
• Koçyigit, M. B., Falconer, R. A., and Lin, B. (2002). .
• Lee, J., Teubner, M. D., Nixon, J., and Gill, P. .
• Li, B., and Fleming, C. A. (2001). Three-dimensional model of .
• Lien, F., and Leschziner, M. (1994). A general non-orthogonal collocated .
• Majumdar, S. (1988). Role of underrelaxation in momentum interpolation for .
• Miller, T., and Schmidt, F. (1988). Use of a pressure-weighted .
• Olsen, N. R. B. (2000). CFD algorithms for hydraulic engineering. .
• Papageorgakopoulos, J., Arampatzis, G., Assimacopoulos, D., and Markatos, N. (2000). .
• Rhie, C., and Chow, W. (1983). Numerical study of the .
• Shyy, W., Udaykumar, H. S., Roa, M. M., and Smith, .
• Stansby, P. K., and Zhou, J. G. (1998). Shallow‐water flow .
• Versteeg, H. K., and Malalasekara, W. (1995). An introduction to .
• Wu, C. H., and Yuan, H. (2007). Efficient non-hydrostatic modelling .
• Xia, C., and Jin, Y. C. (2006). Multilayer averaged and .
• Xu, H., and Zhang, C. (1998). Study of the effect .
• Yu, B., Kawaguchi, Y., Tao, W. Q., and Ozoe, H. .
• Yu, B., Tao, W. Q., Wei, J. J., Kawaguchi, Y., .
• Yuan, H., and Wu, C. H. (2004 (a)). A two-dimensional .
• Zang, Y., Street, R. L., and Koseff, J. R. (1994). .

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

0 تا 100 انديکاتور cci در بازار بورس به زبان ساده

ابزارهای متنوعی در بازار بورس وجود دارد که به سرمایه‌گذاران کمک می‌کنند تا باتوجه به شرایط بهترین تصمیم را داشته باشند، برخی از این ابزارها،‌ اندیکاتورها هستند که نشان می‌دهند بهتر است در هر لحظه چه سهمی را بفروشیم و چه سهمی را خریداری کنیم. یکی از معروف‌ترین آن‌ها، اندیکاتور cci است که به آن شاخص کانال کالا هم می‌گویند. اگر می‌خواهید با اندیکاتور cci به زبان ساده آشنا شوید، این مطلب برای شما نوشته شده است.

اندیکاتور cci چیست؟

اندیکاتور CCI ، (Commodity Channel Indicator) حدود 40 سال پیش توسط فردی به‌ نام دونالد لمبرت ایجاد شد. لمبرت که خود یک معامله‌گر بود، این اندیکاتور را به‌ وجود آورد تا از آن برای تحلیل مبادلات کالایی در بورس استفاده کند. اندیکاتور cci در واقع یک اندیکاتور نوسان است که بین دو کران بالا و پایین، محدوده مشخص می‌کند. همچنین، این شاخص بر پایه شتاب (Momentum) است و تمرکز خاصی بر روی قدرت روند اخیر قیمت دارد.

در واقع، هدف اصلی اندیکاتور cci این است که هنگام افزایش ارزش یک دارایی‌ سرمایه‌ای بیشتر از ارزش واقعی‌اش و به‌ اصطلاح بیش از خرید آن سرمایه،‌ سرمایه‌گذاران را آگاه کند. این اندیکاتور در هنگام کاهش قیمت یک سرمایه، نسبت به قیمت اصلی و به‌ عبارتی در زمان بیش فروش نیز چنین کاربردی دارد.

سازنده این اندیکاتور در ابتدا آن را برای تشخیص تغییرات دوره‌ای در کالاها به‌وجود آورده بود، درصورتی که از آن می‌توان در شاخص‌ها و صندوق‌های قابل معامله یا ETF ها هم استفاده کرد. توجه داشته باشید که برخلاف نام این اندیکاتور، در بازارهای مختلف کاربرد دارد و فقط محدود به بازار کالا نیست.

فرمول اندیکاتور cci

برای محاسبه cci باید به‌ روزترین قیمت‌های میانگین را در فرمول جای‌گذاری کنید. همچنین، در این فرمول باید اعداد منفی را مثبت (قدرمطلق در ریاضی) در نظر بگیرید.

(قیمت معمولی - میانگین متحرک ساده) / (0.015 x میانگین انحراف) = اندیکاتور cci

این فرمول به زبان ریاضی به این صورت است:

منظور از price قیمت واقعی دارایی، MA میانگین متحرک و D میانگین انحراف است. ضریب 0.0015 در این فرمول عدد ثابت لمبرت شناخته می‌شود. از این ضریب استفاده می‌شود تا نتیجه نهایی عددی بین 100+ تا 100- به‌دست ‌آید. 70 تا 80 درصد مقادیر بین این بازه قرار می‌گیرند که مقدار قرار گرفتن آن‌ها در این بازه، به تعداد دوره‌ها بستگی دارد.

نوع محاسبه اندیکاتور cci

امروزه پلتفرم‌های بسیاری وجود دارند که اندیکاتور cci را محاسبه می‌کنند، اما درک نحوه محاسبه آن می‌تواند برای همه سرمایه‌گذاران مفید باشد. در محاسبه cci،‌ ابتدا باید مشخص کنید که می‌خواهید چه تعداد دوره را با این شاخص تحلیل کنید. به‌ طور معمول، از 20 دوره استفاده می‌شود، چرا که استفاده از دوره‌های کمتر منجر به ناپایداری و نوسان شاخص می‌شوند. اما هر چه میزان دوره‌ها بیشتر باشد، خطای محاسباتی کمتر خواهد بود.

فرض می‌کنیم که تعداد دوره‌های مورد نظر 20 است. سپس،‌ باید قیمت بالا،‌ قیمت پایین و قیمت بسته شدن را برای 20 دوره محاسبه کنید تا قیمت نمونه را به‌دست آورید. بعد از آن، 20 دوره میانگین متحرک قیمت نمونه را با جمع کردن 20 قیمت نمونه آخر و تقسیم آن بر 20 محاسبه کنید. در آخر، انحراف از میانگین را با کم کردن میانگین متحرک از قیمت نمونه برای 20 دوره آخر به‌ دست آورید.

کاربردهای اندیکاتور cci

اندیکاتورها به‌ تنهایی نمی‌توانند ملاک خوبی برای تصمیم‌گیری باشند، اما سیگنال‌های ارائه شده توسط آن‌ها در تصمیم‌گیری سرمایه‌گذاران بسیار تاثیر گذار است. از جمله سیگنال‌های ارائه شده توسط اندیکاتور cci می‌توان به شناسایی نقاط اشباع خرید و فروش اشاره کرد. زمانی که cci در نمودار از محدوده 100+ به سمت پایین حرکت می‌کند ، نشان‌دهنده روند نزولی و به‌ معنای سیگنال فروش است. در عوض،‌ هنگام قرار گرفتن آن در بالای محدوده 100- ، سیگنال خرید صادر می‌شود.

همچنین، این اندیکاتور تغییرات مسیر حرکت قیمت دارایی را بررسی می‌کند. هنگام گاوی (صعودی) بودن بازار مثبت است، و هنگام خرسی (نزولی) بودن بازار، منفی است. البته، به‌ جز مواردی که در روند سهم واگرایی وجود داشته باشد. علاوه‌ بر آن، شکست خط روند اندیکاتور cci هم می‌تواند بسیار مفید باشد. این شکست می‌تواند تغییر روند سهم و شروع روند صعودی جدید را نشان دهد.

واگرایی در اندیکاتور cci چگونه است؟

واگرایی در نمودارها و روندها نشان‌دهنده تضعیف آن روند است. این موضوع در اندیکاتور cci یک ابزار بسیار قدرتمند محسوب می‌شود، چرا که می‌تواند تایید ادامه روند یا بازگشت آن را نشان دهد. واگرایی زمانی‌ اتفاق می‌افتد که قیمت و اندیکاتور در دو جهت متفاوت حرکت کنند. درصورتی که قیمت درحال افزایش و CCI درحال کاهش باشد، نشان می‌دهد که خط روند ضعیف است. به واگرایی، دوگانگی هم می‌گویند که یک سیگنال ضعیف در معاملات محسوب می‌شود. اما درصورتی که در بلند مدت این وضعیت برقرار باشد، هشدار جدی برای معامله‌گران است به این معنا که قیمت‌ها در حال معکوس شدن هستند.

البته واگرایی در اندیکاتور cci همیشه به‌ معنای معکوس شدن قیمت‌ها نیست. سرمایه‌گذاران می‌توانند از این طریق بازه حد ضرر خود را کوچک‌تر کنند.

اندیکاتورهای کاربردی در بورس

جمع‌بندی

گرچه اندیکاتورها به‌ تنهایی نمی‌توانند ملاک خوبی در تصمیم‌گیری باشند، اما درک آن‌ها، به‌ خصوص شناخت اندیکاتور cci می‌تواند، تا حد زیادی به سرمایه‌گذاری و کاربران در بورس کمک کند. این اندیکاتور با ارائه سیگنال‌های مفید و نمایش نقاط اشباع خرید و نقاط اشباع فروش، جزء مفیدترین ابزارها در بورس شناخته می‌شود. درصورتی‌ که هرگونه سوال در مورد اندیکاتور cci دارید، حتما برای ما بنویسید.

اندیکاتور cci در واقع یک اندیکاتور نوسان است که بین دو کران بالا و پایین، محدوده مشخص می‌کند. برای آشنایی بیشتر و یادگیری نحوه کارکرد این اندیکاتور، مقاله بالا را مطالعه کنید.

واگرایی زمانی‌ اتفاق می‌افتد که قیمت و اندیکاتور در دو جهت متفاوت حرکت کنند. درصورتی که قیمت درحال افزایش و CCI درحال کاهش باشد، نشان می‌دهد که خط روند ضعیف است. البته، واگرایی در اندیکاتور cci همیشه به‌ معنای معکوس شدن قیمت‌ها نیست. سرمایه‌گذاران می‌توانند از این طریق بازه حد ضرر خود را کوچکتر کنند.

آموزش Caffe بخش دوم : Solver ها

بسم الله الرحمن الرحیم
بخش دوم آموزش در مورد Solver و پارامترهای مختلف اون هست.

توضیحات در مورد Solver

در Caffe ما با استفاده از solver ها, تنظیمات مختلف مربوط اجرای محاسبه Momentum آموزش و آزمایش شبکه را مشخص میکنیم. تنظیماتی نظیر روش بهینه سازی (otpimization), نرخ یادگیری, momentum , تعداد تکرار آزمایشها (test iterations) و… در solver مشخص میشوند.وظایف یادگیری بین solver و شبکه تقسیم شده است به این صورت که کارهایی نظیر نظارت بر بهینه سازی و بروز آوری پارامترها مربوط به solver بوده و محاسبه خطا و مقادیر گرادیانت به عهده شبکه (مدل شبکه) میباشد. .

روش های بهینه سازی که قابل استفاده در Solver هستند را در زیر مشاهده میکنید:

بطور کلی وظایف یک solver را میتوان در موارد زیر خلاصه کرد :

1. . ساماندهی بهینه سازی و ایجاد شبکه آموزشی(training network) جهت یادگیری و همینطور ایجاد شبکه (های) آزمایشی(testing network(s)) جهت ارزیابی خروجی شبکه.
2. انجام بهینه سازی با فراخوانی های پی در پی فازهای forward و backward و بروزآوری پارامترهای شبکه.محاسبه Momentum
3. ارزیابی (دوره ای ) شبکه .
4. گرفتن snapshot از مدل شبکه و وضعیت solver در طی بهینه سازی.

در هر تکرار از عمل بهینه سازی, مراحل زیر اتفاق می افتند :

1. فاز forward شبکه برای محاسبه خروجی و خطای شبکه فراخوانی میشود.
2. فاز backward شبکه برای محاسبه گرادیانت ها فراخوانی میشود.
3. گرادیانت ها در بروزآوری پارامترها با توجه به روش مشخص شده در solver اعمال میشوند.
محاسبه Momentum
4. وضعیت solver با توجه به نرخ یادگیری , تاریخچه و روش مشخص شده بروز آوری میشود تا وزنها را از مقداردهی اولیه به مدل یاد گرفته شده منتقل کند.

Solver ها را نیز همانند مدلها با استفاده از CPU و یا GPU اجرا کرد.

روشهای بهینه سازی

روشهای بهینه سازی که در Solver مشخص میشوند به مسائل بهینه سازی کلی کاهش خطا میپردازند. بعنوان مثال اگر فرض کنیم ما دارای دیتاست D باشیم ,هدف بهینه سازی میانگین گیری خطا از تمام |D|نمونه داده در این دیتاست است

عبارتی که در بالا مشاهده میکنید همان عبارت محاسبه میانگین خطا است که در آن خطای نمونه داده بوده و عبارت regularization است که دارای وزن میباشد. از آنجایی که |D| میتواند خیلی بزرگ باشد, در عمل, در هر تکرار solver , ما از تقریب تصادفی (stochastic approximation) این خطا استفاده میکنیم. برای اینکار بجای استفاده از تمام نمونه های دیتاست (|D|) ما از یک دسته کوچک(mini-batch) که تعداد نمونه هایی برابر با |N

در اینجا مدل, را در forward pass محاسبه کرده و گرادیانت ∇ را نیز در backward pass محاسبه میکند. مقدار w∆ (آپدیت وزن) بوسیله solver از طریق گرادیانت خطای ∇ , گرادیانت regularization و سایر پارامترهای اختصاصی مربوط به روش مشخص شده در آن بدست محاسبه Momentum می آید.

روش SGD

Stochastic gradient descent که با نوع”SGD” در solver قابل استفاده است ((type: “SGD”)) ) ماتریس وزن W را توسط ترکیب خطی منفی گرادیانت (L(W∇ و مقدار تغییرات وزن قبلی V_t بروز آوری میکند..مقدار نرخ یادگیری α برابر با وزن منفی گرادیانت و مقدار momentum μ برابر با وزن آپدیت قبلی است.

بطور کلی ما برای محاسبه مقدار جدید V_t+1 و وزنهای آپدیت شده ماتریس W_t+1 در تکرار t+1 با داشتن مقدار آپدیت قبلی V_t و ماتریس وزن فعلی W_t از عبارت زیر استفاده میکنیم :

احتمالا برای بدست آوردن بهترین نتایج ,فراپارامترهای α و μ نیازمند کمی تغییر هستند. اگر مطمئن نیستید که از چه مقداری شروع کنید, میتوانید به بخش قواعد کلی که در ادامه آمده است نگاهی بندازید. همچنین برای اطلاعات بیشتر در این زمینه میتوان به مقاله جامع Leon Bottou در این باره با نام [۱]Stochastic Gradient Descent Tricks مراجعه کرد.

قواعد کلی در باره تنظیم نرخ یادگیری (α) و momentum (μ)

یک روش خوب برای گرفتن نتایج بهتر با استفاده از روش SGD مقدار دهی نرخ یادگیری α حول مقدار α≈۰٫۰۱ =۱۰ -۲ است و در صورتی که خطا شروع به افزایش کرد, کاهش مقدار آن در فاز آموزش با یک ضریب ثابت مثل ۱۰ و تکرار این روش برای چندین مرتبه است. بطور کلی , سعی کنید از momentum با مقدار μ=۰٫۹ یا مقداری مشابه آن استفاده کنید. با (هموار تر شدن)بهتر شدن آپدیت وزنها در طی تکرار های مختلف, momentum باعث سریعتر و پایدار تر شدن یادگیری عمیق با SGD شود.

روشی که تازه توضیح دادیم , روشی است که توسط Krizhevsky et al در مقاله معروف آنها در سال ۲۰۱۲ که مقام اول رقابت ILSVRC-2012 را با استفاده از شبکه های کانولوشنی برایشان به ارمغان آورد ارائه شده است.

اعمال تنظیمات فوق در Caffe با استفاده از solver ها بسیار راحت بوده و در ادامه ما با نحوه انجام این کار آشنا میشویم . برای استفاده از روشی که در بالا توضیح داده شد و تنظیم نرخ یادگیری خطوط زیر را بایستی به solver خود اضافه کنید.

در خط اول مشخص میکنیم که آموزش با نرخ یادگیری ۰٫۰۱ شروع شود

در خط دوم سیاست نرخ یادگیری را مشخص میکنیم, در این قسمت ما مشخص کردیم که نرخ یادگیری طی گام هایی (steps)کاهش یابد. در ادامه بیشتر درمورد این گزینه صحبت میکنیم.

خط سوم , همان ضریب کاهش نرخ یادگیری است که در هر گام انجام میشود. در این قسمت است که مشخص میکنیم نرخ یادگیری با چه ضریبی کاهش پیدا کند. در اینجا ما مشخص کردیم که نرخ یادگیری با ضریب ۱۰ کاهش پیدا کند ( یعنی نرخ یادگیری در مقدار gama که مساوی ۰٫۱ است ضرب شود)

خط چهارم همان تعداد گام هایی است که نرخ یادگیری در آنها باید کاهش یابد. دراینجا این مقدار برابر با ۱۰۰هزار است. یعنی هر ۱۰۰ هزار تکرار, نرخ یادگیری را کاهش بده.

خط پنجم هم تعداد تکرار مراحل آموزش را مشخص میکند. در اینجا یعنی ۳۵۰ هزار بار آموزش را تکرار کن .

خط آخر نیز مقدار momentum را مشخص کرده است.

تحت تنظیمات بالا, ما همیشه از momentum با مقدار =۰٫۹ μ استفاده میکنیم. ما آموزش را با نرخ یادگیری پایه (base_lr ا ) α=۰٫۰۱=۱۰ -۲ برای ۱۰۰ هزار تکرار اول شروع میکنیم و سپس نرخ یادگیری را با مقدار (gama (γ ضرب کرده و آموزش را با نرخ یادگیری برای ۱۰۰ هزار تکرار بعدی (۱۰۰-۲۰۰) ادامه میدهیم . به همین صورت برای تکرار های ۲۰۰ هزار تا ۳۰۰ هزار از نرخ یادگیری استفاده کرده و نهایتا از نرخ یادگیری برای تکرار های باقی مانده (۳۰۰ تا ۳۵۰ هزار) استفاده میکنیم .

لطفا دقت کنید که مقدار momentum یی که تنظیم میکنید اندازه اپدیت شما را بعد از تعداد زیادی تکرار آموزش با ضریب ضرب میکند. بنابر این اگر مقدار μ را افزایش دادید بهتر است مقدار α را نیز به همان نسبت کاهش دهید.

بعنوان مثال, فرض کنید مقدار momentum ما =۰٫۹ μ باشد. در اینصورت ما ضریبی آپدیتی برابر با داریم .یعنی مقدار آپدیت ما هرچه باشد در این ضریب ضرب خواهد شد. حال اگر مقدار momentum را به μ=۰٫۹۹ افزایش دهیم, ما با اینکار ضریب اندازه آپدیت را ۱۰۰ برابر افزایش داده ایم و باید α ( ا base_lr) را با ضریب ۱۰ کاهش دهیم.

همچنین دقت کنید که تنظیمات بالا تنها حکم راهنما را داشته و اینطور نیست که بهترین تنظیمات تحت هر شرایط و برای هر کاری باشند. اگر متوجه شدید که یادگیری شروع به بد شدن ( diverge) کرده است (بعنوان مثال مشاهده میکنید که مقادیر خطای شبکه و یا خروجی همگی Nan و یا inf میشوند و این مسئله هم بسیار زیاد دارد تکرار میشود) سعی کنید مقدار base_lr را کاهش دهید (مثلا مقداری برابر با base_lr: 0.001 ) و عمل آموزش را تکرار کنید. انقدر این عمل را تکرار کنید تا به base_lr برسید که عملا برایتان کار کند.

سیاست های نرخ یادگیری

در Caffe میتوان سیاست های مختلفی برای کاهش نرخ یادگیری لحاظ کرد. شما میتوانید در زیر لیستی از این سیاست ها و نحوه عملکرد آنها را مشاهده کنید.

• fixed : همیشه از base_lr استفاده میکند.(مقدار نرخ یادگیری ثابت است)
• : step نرخ یادگیری از رابطه ( ( base_lr * gamma ^ ( floor ( iter / step بدست می آید
• : exp نرخ یادگیری از رابطه base_lr * gamma ^ iter بدست می آید
• inv : نرخ یادگیری از رابطه ( base_lr * ( 1 + gamma * iter ) ^ ( - power بدست می آید
• multistep : مثل step عمل کرده با این تفاوت که اجازه تعریف گامهای غیریکسان در stepvalue میدهد
• poly: در این روش ,نرخ یادگیری از یک کاهش چند جمله ای تبعیت کرده و با رسیدن به max_iter صفر میشود, نرخ یادگیری در این روش از رابطه ( base_lr * ( 1 - iter / max_iter ) ^ ( power بدست می آید.
• sigmoid: در این روش ,نرخ یادگیری از یک کاهش سیگمویدی تبعیت کرده از رابطه ( ( ( ( base_lr * ( 1 / ( 1 محاسبه Momentum + exp ( - gamma * ( iter - stepsize بدست می آید

لطفا دقت کنید که در صورت انتخاب هر کدام از موارد فوق بعنوان lr_policy در solver , اطمینان حاصل کنید تمامی پارامترهای مورد نیاز آنها (مواردی که در رابطه آورده شده اند) را فراهم کنید. بعنوان مثال اگر قصد استفاده از poly را دارید باید پارامترهای base_lr , iter , max_iter و power را نیز فراهم کنید.

این سیاستها به همراه توضیحات هریک در فایل Caffe.proto که پیشتر توضیح دادیم قرار دارد و برای فهمیدن اینکه آیا سیاست جدیدی اضافه شده است یا خیر و یا مشاهده اینکه یک سیاست به چه صورت در caffe عمل میکند میتوان به این فایل مراجعه کرد.

روش AdaDelta

روش AdaDelta که با نوع”AdaDelta” در solver قابل استفاده است (type: “AdaDelta”) . یک روش مشخص سازی نرخ یادگیری قدرتمند است که توسط M.Zeiler ارائه شد. این روش هم همانند SGD یک روش بهینه سازی مبتنی بر گرادیانت بوده و فرمول بروز آوری آن بصورت زیر است :
و

AdaGrad

روش adaptive gradient که با نوع AdaGrad در solver قابل استفاده است (type: “AdaGrad”) یک روش بهینه سازی مبتنی بر گرادیانت است که توسط Duchi et al ارائه شد. این روش بقول Duchi سعی میکند سوزن را در انبار کاه پیدا کند! و این کار را با استفاده از ویژگی های بسیار قابل پیش بینی اما بندرت دیده شده انجام میدهد.

با داشتن اطلاعات بروز آوری از تمام تکرار های قبلی که در آن ∋ t’ , فرمولی که توسط Duchi برای هر مولفه i از ماتریس وزن W ارائه شده است بصورت زیر میباشد

توجه کنید که در عمل, برای وزن های , روش AdaGrad بصورتی پیاده سازی میشود (خصوصا پیاده سازی که در Caffe وجود دارد) تا بجای اینکه از (O(dt فضای اضافی که برای ذخیره تک تک گرادیانتهای قبلی لازم است استفاده کند تنها به اندازه (O(d فضای اضافی برای اطاعات مربوط به گرادیانت های قبلی استفاده کند.

Adam

روش Adam که با نوع “Adam” در solver قابل استفاده است (type: “Adam”) یک روش بهینه سازی مبتنی بر گرادیانت است که توسط D.Kingma ارائه شد.این روش را میتوان تعمیمی محاسبه Momentum از روش AdaGrad دانست که فرمول محاسبه آن در زیر آمده است :

Kingma et al پیشنهاد کرد برای مقادیر , و ε به ترتیب از مقادیر ۰٫۹ , ۰٫۹۹۹ و بعنوان مقادیر پیشفرض استفاده شود.در Caffe مقادیر momentum , momentum2 و delta به ترتیب معادل , و ε هستند.

NAG

روش Nesterov’s accelerated gradient که که با نوع “Nesterov” در solver قابل استفاده است (type: “Nesterov”) توسط Netsrov بعنوان یک روش مطلوب بهینه سازی convex ارائه شد. این روش قادر است بجای (O(1/t به نرخ همگرایی ( /O(1 دست پیدا کند. هرچند که فرضیات مورد نیاز برای دستیابی به ( /O(1 معمولا در شبکه های عمیق آموزش داده شده توسط Caffe برقرار نمیشوند( بعنوان مثال بخاطر non-smothness و non-convexity ) اما در عمل روش NAG میتواند روش بسیار موثری برای بهینه سازی گونه های خاصی از معماری های deep learning همانند آنچه در deep MNIST autoencoders توسط Sutskever et al انجام شد, باشد.

فرمولهای بروز آوری وزن بسیار شبیه آنچیزی است که در روش SGD ارائه شد. این فرمولها را در زیر مشاهده میکنید :

آنچیزی که باعث تمایز این روش با روش SGD میشود نحوه تنظیم ماتریس وزن W است که ما خطای گرادیانت (W)∇L را بر اساس آن محاسبه میکنیم. در روش NAG ما گرادیانت را از وزنهای جمع شده با momentum بدست می آوریم ( در حالی که در روش SGD ما خیلی ساده گرادیانت را از روی خود وزنها بدست می آوریم.

RMSprop

روش RMSprop که با نوع “RMSProp” در Solver قابل استفاده است یک روش بهینه سازی مبتنی بر گرادیانت همانند SGD است توسط Tieleman در یکی از کلاسهای Coursera ارائه شد . فرمول محاسبه بروز آوری پارامترها را در زیر مشاهده میکنید:

درصورتی که نتایج بروز آوری ها دارای نوسان باشد, گرادیانت با ضریب ۱-δ کاهش پیدا میکند. در غیر اینصورت به اندازه δ افزایش پیدا میکند. مقدار پیشفرض δ ( ا rms_decay) نیز برابر با δ=۰٫۰۲ میباشد.

Scaffolding یا قالب بندی

قالب بندی Solver روش بهینه سازی را آماده کرده و مدل را جهت شروع یادگیری مقدار دهی اولیه میکند. (با استفاده از Solver::Presolve() )

آموزش ضربه و مومنتوم (تکانه) خطی به زبان ساده+ حل مثال

در درس فیزیک دبیرستان با مفهوم تکانه یا اندازه حرکت آشنا شدیم. در ادامه، در دروس مختلف دانشگاه نظیر فیزیک پایه و درس دینامیک، با تکانه (مومنتوم خطی) سروکار داشتیم. مفهوم ضربه (برخورد) در درس دینامیک ارائه شده و به نوعی نیروی منتقل شده در واحد زمان است. در این مقاله بطور کامل به مبحث مومنتوم خطی و مفهوم ضربه (برخورد) می‌پردازیم. همچنین در انتهای این آموزش، مثال‌های متنوع از مبحث ضربه و مومنتوم حل خواهد شد. با ما همراه باشید.

1. مومنتوم (تکانه) خطی

مومنتوم خطی (Linear Momentum) یا تکانه خطی، یک کمیت برداری برای بیان ویژگی‌های جسم است. لازم‌ به‌ذکر است که ترجمه فارسی دیگری که برای مومنتوم خطی ارائه شده، اندازه حرکت خطی می‌باشد. طبق تعریف، مومنتوم خطی بصورت حاصل ضرب جرم در سرعت تعریف می‌شود. این تعریف با درک شهودی ما نیز مطابقت دارد. در واقع از نظر حس فیزیکی، یک جسم بزرگ و سریع مومنتوم بیشتری نسبت به یک جسم کوچکتر و کندتر دارد. در فیزیک و دینامیک، مومنتوم خطی (تکانه خطی) با حرف P و یا G نمایش داده می‌شود.

طبق رابطه فوق، مومنتوم خطی (تکانه خطی) با جرم جسم و همچنین سرعت آن نسبت مستقیم دارد. بنابراین هر چه جرم یا سرعت یک جسم بیشتر باشد، تکانه آن بیشتر می‌شود. همانظور که ذکر شد، تکانه خطی یک کمیت برداری است که جهتی برابر با بردار سرعت v دارد. واحد مومنتوم خطی در سیستم SI بصورت کیلوگرم متر بر ثانیه (Kg.m/s) و یا نیوتن ثانیه (N.s) است. همچنین در سیستم US نیز واحد مومنتوم خطی بصورت پوند ثانیه (lb.sec) است.

مفهوم مومنتوم (تکانه) خطی

تصور کنید که در راهرویی از یک فروشگاه بزرگ قرار دارید. در این لحظه، یک سبد خرید خالی و یک سبد خرید پر (با جرم زیاد) به سمت شما درحال حرکت است. سرعت حرکت هر دو سبد یکسان است. چنانچه در این مکان ثابت بمانید، یکی از سبدهای خرید (خالی یا پر) به شما برخورد می‌کند. در این لحظه ذهن شما به سرعت به دنبال یافتن بهترین راه برای نجات است. وظیفه شما این است که به سمت یکی از سبدها رفته و آن را متوقف کنید. طبیعتا هر عقل سلیمی می‌گوید که متوقف کردن سبد خالی آسان تر از سبد پر است. در حقیقت معیار ذهنی ما برای این انتخاب کمتر بودن جرم سبد خالی است. در این انتخاب، ما بطور پیش فرض از شهود فیزیکی خود برای نجات استفاده کردیم.

در حقیقت نیز معیاری که برای انتخاب صحیح وجود دارد، مومنتوم (تکانه) خطی است. طبق تعریفی محاسبه Momentum که در بالا ذکر شد، تکانه خطی برابر با حاصل ضرب سرعت در جرم جسم است.

آموزش کار با اندیکاتور ویلیامز (Williams %R)

آموزش کار با اندیکاتور ویلیامز که یک اندیکاتور تکانه ای است کمک می کند بدانید چه وقت ممکن است یک سهم در بازار بورس، بیش از حد خریده یا فروخته شود. اندیکاتور ویلیامز R% یا شاخص دامنه درصد ویلیامز (Williams %R) نشان می­دهد، آخرین قیمت بسته شده نسبت با بالاترین و پایین­ ترین قیمت­ های یک دوره زمانی مشخص، کجا قرار دارد و به عنوان یک نوسان­گر شناخته می شود.

همچنین در تحلیل تکنیکال بازار بورس اندیکاتور ویلیامز از نظر اندازه گیری قدرت روند فعلی، لرزش­ هایی شبیه RSI دارد؛ اما درحالیکه RSI برای تعیین قدرت روند از رقم نقطه میانی یعنی ( 50 )، استفاده می­کند، معامله ­گران از دو حد 20- و 80- در شاخص ویلیامز R% استفاده می کنند این شاخص را می­توان به عنوان نسخه کمتر محبوب و بیشتر حساس یک شاخص تصادفی در بورس قلمداد نمود.

در این مقاله آموزش کار با اندیکاتور ویلیامز R% را برای شما ارائه خواهیم داد. امیدواریم این آموزش، مفید و راهگشا در معاملات شما در بازار بورس باشد.

اندیکاتور ویلیامز R% چیست؟

برای آموزش کار با اندیکاتور ویلیامز R%، خوب است بدانیم این اندیکاتور که به عنوان دامنه درصد ویلیامز هم شناخته می­شود، نوعی شاخص و اندیکاتور تکانه ای است که بین 0 تا 100-، حرکت می­کند و سطوح خرید و فروش بیش از حد (اشباع فروش و اشباع خرید) را می­سنجد. از این اندیکاتور درتحلیل تکنیکال همچنین برای تشخیص نقاط ورود و خروج به بازار نیز، استفاده می شود.

اندیکاتور ویلیامز R% شباهت بسیار زیادی به نوسان­گر تصادفی (Stochastic) دارد و در واقع به همان شیوه هم مورد استفاده قرار می گیرد. این اندیکاتور که توسط لری ویلیامز (Larry Williams) ساخته شده است، قیمت بسته شده و نهایی یک سهم در بازار بورس را با محدوده بسیار پایین در طول یک دوره خاص (به طور معمول 14روزه) می­سنجد. برای اینکه نشان داده شود این اندیکاتور به صورت سر و ته است، از یک نماد منفی قبل از مقادیر استفاده می­شود (برای مثال 30-). معامله­ گران­ بازار بورس در هنگام تحلیل تکنیکال باید این علامت منفی را نادیده بگیرند.

پیشنهاد می کنم مقاله آموزش کار با اندیکاتور باند بولینگر (bollinger band) را مطالعه کنید

فرمول محاسبه اندیکاتور ویلیامز R% عبارت است از:

برای آموزش کار با اندیکاتور ویلیامز R% و تحلیل تکنیکال بر اساس آن، دانستن فرمول محاسبه آن ضروری است.

ویلیامز R% =((H – C)/(H – L))

در فرمول، مقادیر به کار رفته برابر هستند با:

C، آخرین قیمت بسته شده

L، پایین ترین قیمت در یک دورۀ زمانی ارائه داده شده

H، بالاترین قیمت در یک دورۀ زمانی ارائه داده شده

پیشنهاد می کنم مقاله آموزش کار با اندیکاتور MFI را مطالعه کنید

چگونه اندیکاتور ویلیامز R% را محاسبه کنیم؟

برای آموزش کار با اندیکاتور ویلیامز R% نخستین گام این است که یاد بگیریم چه طور آن را محاسبه کنیم. همچنین به یاد داشته باشید که اندیکاتور ویلیامز R% بر پایه قیمت، و به طور معمول در طول 14 دوره گذشته، محاسبه می­شود و در تحلیل تکنیکال بازار بورس مورد استفاده قرار می­گیرد.

• بالاترین و پایین ­ترین رقم را برای هر دوره و برای 14 دوره، ضبط کنید.
• در دوره چهاردهم، قیمت فعلی، بالاترین قیمت و پایین­ترین قیمت را یادداشت کنید. حال می­توانید تمام متغیرهای فرمول محاسبه اندیکاتور ویلیامز R% را جایگذاری کنید.
• در طول دوره پانزدهم، قیمت فعلی، بالاترین قیمت و پایین ترین قیمت را یادداشت کنید. اما فقط برای 14 دوره گذشته (نه 15 دوره گذشته). مقدار جدید اندیکاتور ویلیامز R% را محاسبه کنید.
• با پایان هر دوره، مقدار جدید شاخص ویلیامز R% را فقط با استفاده از داده­ های 14 دوره گذشته در بورس، حساب کنید.

با آموزش کار با اندیکاتور ویلیامز R% چه چیزی درباره تحلیل تکنیکال معاملات بازار بورس در می­یابیم؟

چیزی که در نهایت در آموزش کار با اندیکاتور ویلیامز R%، مهم است این است که این شاخص چه چیزی به ما می­گوید. در واقع بر اساس نمودارهای آن ما چه رهیافت­ هایی در معاملات بازار بورس، پیدا خواهیم کرد و چگونه نمودارها را تحلیل کنیم؟!

این اندیکاتور جایی که قیمت فعلی نزدیک به بیشینه قیمت در سراسر 14 دوره گذشته (یا هر تعدادی که برای بازه دوره انتخاب شود) است، را به معامله­ گر بازار بورس نشان می دهد.

زمانی که این شاخص بین 20- و 0 قرار گیرد، قیمت سقف خرید یا نزدیک به بالاترین محدوده قیمت اخیرش است. پس هنگامی که اندیکاتور بین 80- و 100- قرار دارد، قیمت سقف فروش یا دور از بالاترین محدوده اخیرش است.

در طول یک روند صعودی، معامله گران می­توانند منتظر بمانند تا اندیکاتور به زیر 80- حرکت کند. زمانی که قیمت شروع به بالا رفتن می­کند و اندیکاتور به بالای 80- برمی­گردد، این می­تواند سیگنالی باشد برای اینکه روند صعودی قیمت دوباره از سر گرفته شده است.

از همین شیوه می­توان برای یافتن معاملات کوتاه در یک روند نزولی، استفاده کرد. هنگامی که اندیکاتور به بالای 20- می­رود، مراقب باشید زیرا اگر شروع سقوط قیمت همراه با بازگشت شاخص ویلیامز R% به زیر 20- باشد، این سیگنالی برای تمدیدی بالقوه از روند نزولی در بازار بورس است.

نکته:

معامله­ گران بوری همچنین می­توانند شکست­ های تکانه را نظارت کنند. در طول یک روند صعودی قوی، قیمت غالبا به 20- یا بالای آن می­رسد. اگر شاخص، سقوط کند و سپس نتواند قبل از سقوط دوباره به بالای 20- برگردد، این سیگنالی است در این جهت که تکانه قیمتی رو به بالا، با مشکل رو به رو است و می­تواند افت قیمت بزرگتری را به دنبال خود داشته باشد.

همین شیوه درباره روند نزولی نیز صادق است. اغلب نقطه 80- یا پایین­تر، حاصل می­شود. هنگامی که اندیکاتور قبل از حرکت در سطوح بالاتر دیگر نتواند به آن سطح پایین برسد، می­تواند نشان دهد که قیمت بالاتر می­رود.

پیشنهاد می کنم مقاله کاربردی آموزش کار با اندیکاتور فیبوناچی در بورس را مطالعه نمایید

مانند تمام شاخص­های متمرکز بر اشباع خرید و فروش، بهتر است قبل از ثبت کردن معاملات خود، منتظر تغییر جهت علامت قیمت باشید. به عنوان مثال اگر اندیکاتور اشباع خرید و فروش، یک موقعیت خرید بیش از حد (اشباع خرید) را نشان می­دهد، عاقلانه است که قبل از فروش سهم در بازار بورس، منتظر کاهش قیمت سهم مورد نظر باشید.

یک نمود و عارضه جالب توجه از اندیکاتور محدوده درصد ویلیامز، توانایی عجیب و غریب آن در پیش بینی تغییر بازگشتی قیمت در بازار بورس است. این اندیکاتور تقریبا همیشه چند روز قبل از اوج گرفتن و کاهش قیمت سک سهم یک اوج و کاهش قیمت را نمایش می­دهد. از این رو آموزش کار با اندیکاتور ویلیامز R% به شدت در شناسایی روند­های یک سهم و معاملات موفق بر اساس آن در تحلیل تکنیکال بازار بورس، موثر است.

تفاوت میان اندیکاتور ویلیامز R% و نوسان­گر تصادفی سریع

در راستای آموزش کار با اندیکاتور ویلیامز اشاره به شباهت آن با شاخص تصادفی، مفید خواهد بود. دو شاخص تصادفی و ویلیامز R% از فرمول یکسانی برای تعیین مکان نسبی یک سهم در بازار بورس استفاده می­کنند. با این تفاوت که شاخص تصادفی، با استفاده از کمترین قیمت در یک بازه زمانی، مکان نسبی را به شما نشان می­دهد. درحالیکه شاخص ویلیامز R% از بالاترین قیمت برای تعیین موقعیت قیمت نهایی استفاده می­کند.

اندیکاتور ویلیامز R% سطح نهایی یک سهم در بازار بورس را در مقابل بالاترین قیمت برای دوره بازگشت، بررسی می کند. متقابلا، نوسان­گر تصادفی سریع که بین 0 و 100 حرکت می­کند، یک رقم نهایی بازار را در رابطه با پایین­ ترین رقم نشان می دهد. اندیکاتور ویلیامز R% با ضرب کردن در 100- این مورد را تصحیح می­کند. شاخص ویلیامز R% و نوسان­گر تصادفی سریع، در نهایت اندیکاتوری تقریبا یکسان هستند. تنها تفاوت این دو شاخص، در نحوه مقیاس گذاری این شاخص­ ها است. در واقع اگر شما خط R% را معکوس کنید، دقیقا همان خط شاخص تصادفی K% را خواهید داشت.

پیشنهاد می کنم مقاله کاربردی آموزش کار با اندیکاتور MACD را مشاهده کنید

تعیین قدرت روند با استفاده از اندیکاتور ویلیامز R%

حساسیت اندیکاتور ویلیامز R% نسبت به قیمت­های بی ثبات در بورس، زمانی مفید است که شما مایل هستید بدانید آیا قیمت­ها روند صعودی خود را حفظ می­کنند یا همچنان نزولی هستند؟!

در نمودار روزانه زیر، شما می­توانید ببینید که این جفت ارز سعی در افزایش روند صعودی خود، داشت؛ اما نتوانست به قیمت جدید و بالاترین R% دست یابد.

این بدان معنی است که قیمت­ها به سرعتی که در اوج محدوده خویش قرار گرفته ­اند نمی­رسند و ممکن است شتاب صعودی، در حال به پایان رسیدن باشد.

پیشنهاد می کنم مقاله مدیریت ریسک و سرمایه در بازارهای مالی را مطالعه کنید

محدودیت­های استفاده از اندیکاتور ویلیامز R%

در بحث آموزش کار با اندیکاتور ویلیامز R%، لازم است که به محدودیت­های این اندیکاتور در بازار بورس نیز اشاره شود. نمایش اشباع خرید و اشباع فروش بر این اندیکاتور، به این معنا نیست که یک برگشت رخ خواهد داد. ظاهر شدن اشباع خرید در واقع به تایید یک روند صعودی کمک می­کند. چرا که یک روند صعودی قوی، باید به طور منظم، قیمت­هایی را ببیند که به سمت بالاترین رقم­ های قبلی (که اندیکاتور آنها را محاسبه می­کند) برود یا از آنها گذر کند.

این اندیکاتور همچنین می­تواند واکنشی باشد؛ به این معنا که می­تواند سیگنال­ های کاذب زیادی در بازار بورس بدهد. برای مثال، این شاخص ممکن است در قلمرو اشباع فروش باشد و شروع کند به بالاتر رفتن، اما قیمت نتواند این کار را انجام دهد (افزایش یابد). این امر به این دلیل اتفاق می­افتد که اندیکاتور صرفا 14 دوره گذشته را بررسی می­کند. با گذشت دوره ­ها، قیمت فعلی بسته به فراز و نشیب­ها در طی دوره­ های پشت سر گذاشته شده، تغییر می­کند؛ حتی اگر قیمت­ ها واقعا جا به جا نشده باشد.

پیشنهاد می کنم حتما مقاله پول هوشمند در بورس چیست؟ را مطالعه نمایید

تمرین در برنامه شبیه­ ساز Risk Free

Risk Free، یک برنامه شبیه ساز بازار بورس است. این برنامه رایگان است و برای کسانی که تازه­ کار هستند و از مهارت کافی برخوردار نیستند، فضای خوبی است تا با پول مجازی معامله کنند و مطمئن شوند به درستی آموزش کار با اندیکاتور ویلیامز R% را دیده اند و می­توانند بر اساس این اندیکاتور، تحلیل تکنیکال بازار بورس را به درستی انجام دهند. با کمک این برنامه استراتژی های معاملاتی را تمرین کنید و پس از کسب مهارت کافی، وارد بازار بورس شوید. این گونه می­توانید سرمایه واقعی خود را از خطر تضرر در بازار بورس، در امان نگاه دارید.

خلاصه روش­های کلیدی در آموزش کار با اندیکاتور ویلیامز R%

• اندیکاتور ویلیامز R% بین 0 تا 100 حرکت می­کند.
• اگر اندیکاتور عددی بالای 20- را نشان دهد، به معنای اشباع خرید است.
• اگر اندیکاتور عددی زیر 80- را نشان دهد، به معنای اشباع فروش خواهد بود.
• نمایش اشباع خرید یا اشباع فروش به این معنا نیست که قیمت معکوس خواهد شد. اشباع خرید صرفا به این معنا است که قیمت نزدیک به بالاترین محدوده اخیر خود است و اشباع فروش بدین معنا است که قیمت در انتهای پایین­تر از محدوده اخیر خود قرار دارد.
• اندیکاتور ویلیامز R% می­تواند برای صدور سیگنال­ در بورس و زمانی که قیمت و اندیکاتور به خارج از قلمرو اشباع خرید یا اشباع فروش حرکت می­کند، استفاده شود.

پیشنهاد ثروت آفرین : جادوی فیلتر و اندیکاتور

اصطلاحات مرتبط در آموزش کار با اندیکاتور ویلیامز R%

• نوسان­گر تصادفی: یک نوسان­گر تصادفی (stochastic oscillator) توسط تحلیل­گران بازار بورس، برای سنجش تکانه (شتاب) بر اساس تاریخچه قیمت یک سهم، مورد استفاده قرار می­گیرد.
• نوسان­گر RSI یا StochRSI: نوسان­گر RSI یک اندیکاتور تحلیل تکنیکال است که با استفاده از اعمال کردن فرمول نوسان­گر تصادفی بر روی مجموعه ­ای از مقادیر شاخص قدرت نسبی (RSI)، ایجاد می­شود. عملکرد اصلی و اولیه آن، شناسایی شرایط اشباع خرید و اشباع فروش است.
• شاخص جریان پول (MFI): شاخص جریان پول یا همان MFI، یک ابزار تجاری است که داده­ های قیمت و حجم را ترکیب می­کند. این شاخص می­تواند برای تولید سیگنال بر اساس سطوح اشباع خرید و اشباع فروش و همچنین واگرایی، استفاده شود.
• شاخص تصادفی Worden: اندیکاتور تصادفی Worden، رتبه درصدی آخرین قیمت نهایی را در مقایسه با سایر مقادیر نهایی در دوره بازگشت، ترسیم می­کند.
• شاخص تکانه پویا (Dynamic Momentum Index): برای اینکه با بررسی تحلیل تکنیکال یک سهم، بفهمیم سهم مورد نظر بیش از حد خریداری شده یا بیش از حد فروخته شده است، از شاخص تکانه پویا (DMI)، استفاده می­شود. این شاخص همچنین برای صدور سیگنال­ های خرید و فروش در بازارهای پرطرفدار یا بازارهای وسیع، مورد استفاده قرار می گیرد.
• شاخص نوسان­گر نهایی (Ultimate Oscillator): نوسان­گر نهایی یک اندیکاتور فنی است که توسط لری ویلیام برای سنجش تکانه قیمت یک سهم در میان بازه­ های زمانی متعدد، توسعه یافت. این شاخص، سیگنال­ های خرید و فروش بر اساس واگرایی، تولید می­کند.

پیشنهاد ثروت آفرین : فیلتر پول هوشمند

نتیجه گیری

امیدوارم این مقاله در آموزش کار با اندیکاتور ویلیامز R% در بازار بورس مفید و موثر بوده باشد و شما توانسته باشید که از طریق آن، به نحو مطلوبی نحوه کار با این اندیکاتور را یاد گرفته باشید. به نظر شما، این اندیکاتور نسبت به سایر اندیکاتورهای آموزش داده شده، چه مزایا و معایبی دارد و در نهایت آیا در رده شاخص­ های مورد استفاده شما در تحلیل تکنیکال روند­های بازار قرار می­گیرد

برای یادگیری و آموزش کار با اندیکاتور ویلیامز R% باید یاد بگیریم چه طور از این اندیکاتور در تحلیل تکنیکال بازار بورس استفاده کنید. تکته مهم اینکه باید توجه داشت که اندیکاتور ویلیامز R% معمولا بر اساس قیمت 14 روز گذشته محاسبه می­شود.

امیدواریم از مقاله آموزش کار با اندیکاتور ویلیامز در بورس استفاده کرده باشید. خوشحال می شویم نظر خود را با خوانندگان وبسایت ثروت آفرین به اشتراک بگذارید.