به نقل از «ایسنا»

اعداد فیبوناچی و کاربرد آن‌ها در تحلیل تکنیکال

تاریخ انتشار: ۱۶ اسفند ۱۴۰۰ | کد خبر: ۳۴۵۳۴۴۶۸

اعداد و نسبت‌های فیبوناچی یکی از عجایب علم ریاضیات هستند که در بخش‌های مختلف جهان هستی همچون «شاخ و برگ گیاهان»، «زاد و ولد خرگوش‌ها» و حتی «DNA انسان» دیده می‌شوند. قابل توجه است که اعداد فیبوناچی در تحلیل بازارهای مالی نیز کاربرد فراوانی دارند که در این مقاله به معرفی آن‌ها می‌پردازیم.

به گزارش ایسنا بنابر اعلام کارگزاری مفید، سری فیبوناچی، رشته‌ای از اعداد است که در آن غیر از دو عدد اول، اعداد دیگر با محاسبه‌ مجموع دو عدد قبلی ایجاد می‌شوند.

بیشتر بخوانید: اخباری که در وبسایت منتشر نمی‌شوند!

این اعداد به نام لئوناردو فیبوناچی (Leonardo Fibonacci) که نخستین ریاضی‌دان بزرگ اروپا در قرن سیزدهم میلادی بود، نام‌گذاری شده است. یکی از نکات جالب اعداد و نسبت‌های فیبوناچی این است که در بخش‌های مختلف جهان هستی دیده شده‌اند. مثلا اندازه‌گیری زاویه شاخه‌ها نشان می‌دهد که در الگوی رشد آن‌ها، نظمی شبیه دنباله فیبوناچی و نسبت طلایی وجود دارد. بررسی‌ها نشان داده که درختان با پیروی از این نوع الگوی رشد، قادر هستند درصد بیشتری از نور خورشید را جذب کنند.

علاوه بر موارد یاد شده، اعداد فیبوناچی در تحلیل تکنیکال بازارهای مالی نیز کاربرد زیادی دارند. تاکنون ابزارهای گوناگونی که مبتنی بر اعداد و نسبت‌های فیبوناچی هستند، معرفی شده‌اند. در این مطلب ضمن آشنایی بیشتر با اعداد فیبوناچی، به بررسی کاربرد آن‌ها در تحلیل تکنیکال پرداخته می‌شود.

منظور از اعداد و نسبت‌های فیبوناچی چیست؟

همانطور که اشاره شد، غیر از دو عدد اول، اعداد بعدی از جمعِ دو عددِ قبلیِ خود به دست می‌آیند. به عنوان نمونه عدد ششم این سری (که برابر ۵ است) از حاصل جمع عدد چهارم و عدد پنجم که به ترتیب برابر ۲ و ۳ هستند، به دست می‌آید. اولین اعداد این سری عبارت‌اند از:

۱۴۴ - ۸۹ - ۵۵ - ۳۴ - ۲۱ - ۱۳ - ۸ - ۵ - ۳ - ۲ - ۱ - ۱ - ۰

از تقسیم اعداد فیبوناچی بر یکدیگر، نسبت‌های فیبوناچی ایجاد می‌شوند. مثلا با تقسیم هر عدد بر عدد بعدی (یا بر عدد قبلی) خود یک سری از نسبت‌های فیبوناچی ایجاد می‌شود.

۱.۶۱۹۰ - ۱.۶۱۵۴ - ۱.۶۲۵ - ۱.۶ - ۱.۶۶۷ - ۱.۵ - ۲ - ۱ : تقسیم هر عدد بر عدد قبلی خود

۰.۶۱۸۲ - ۰.۶۱۷۶ - ۰.۶۱۹۰ - ۰.۶۱۵۴ - ۰.۶ - ۰.۶۶۷ - ۰.۵ - ۱ : تقسیم هر عدد بر عدد بعدی خود

یکی‌ دیگر از نکات جالب فیبوناچی این است که خارج قسمت تقسیم هر عدد بر عدد قبلی خود، به عدد ۱.۶۱۸ که به «نسبت طلایی» مشهور است، نزدیک می‌شود. نسبت طلایی یکی از اعداد حیرت انگیز ریاضیات است که در بخش‌های زیادی از طبیعت قابل مشاهده است. مثلا در مرکز دانه میوه‌ها، با دنبال کردن روند تعداد مارپیچ، نسبت طلایی مشاهده خواهد شد. همچنین می‌توان الگوریتم این مارپیچ‌ها را در کلم، کاهو، آناناس و حتی DNA انسان‌ها نیز مشاهده کرد. در صورت تمایل برای کسب اطلاعات بیشتر درباره اعداد فیبوناچی و عجایب آن، در مقاله هرآنچه باید درباره فیبوناچی بدانید اطلاعات کاملی در این زمینه گردآوری شده است.

کاربرد فیبوناچی در بورس

پیش از بررسی کاربرد اعداد فیبوناچی در بورس، بهتر است ابتدا کمی با تحلیل تکنیکال آشنا شویم. تحلیل تکنیکال یکی از روش های اصلی و پرطرفدار تحلیل‌ در بازار سرمایه است. در این روش تحلیلگر می‌کوشد با بررسی نمودارها و توجه به رفتار قیمت یک دارایی در گذشته، وضعیت آینده آن را پیش‌بینی کند. از این رو استفاده درست از تحلیل تکنیکال می‌تواند شانس موفقیت معامله‌گران در بورس را افزایش دهد.

اعداد و نسبت‌های فیبوناچی کاربرد زیادی در تحلیل بازارهای مالی خصوصا در روش تحلیل تکنیکال دارند. بر اساس این اعداد، ابزارها و الگوهای مختلفی توسعه یافته است که در ادامه به آن‌ها پرداخته می‌شود.

ابزارهای فیبوناچی

در تحلیل تکنیکال، ابزارهای مختلفی مورد استفاده قرار می‌گیرد. برخی از این ابزارها که مبتنی بر اعداد فیبوناچی هستند عبارتند از: فیبوناچی اصلاحی، فیبوناچی خارجی، فیبوناچی انبساطی، فیبوناچی پروجکشن، فیبوناچی کمان‌ها، فیبوناچی بادبزن و فیبوناچی کانال. در صورت تمایل برای آشنایی با هر یک از این ابزارها، در مقاله ابزارهای فیبوناچی و کاربرد آن‌ها در تحلیل تکنیکال اطلاعات مربوطه به صورت کامل وجود دارد.

الگوهای هارمونیک

الگوهای هارمونیک از تلفیق اشکال هندسی و دنباله اعداد فیبوناچی شکل‌ گرفته‌اند. برخی از پرکاربردترین الگوهای هارمونیک عبارتند از: الگوی پروانه، الگوی AB=CD، الگوی گارتلی، الگوی خفاش، الگوی خرچنگ، الگوی کوسه، الگوی سایفر و الگوی Nen-Star. آشنایی با این الگوها می‌تواند به معامله‌گران برای بررسی روند قیمت نمادهای مختلف کمک کند.

همچنین شما می‌توانید برای کسب اطلاعات بیشتر درباره بورس و روش های تحلیل آن، به سامانه آموزشی کارگزاری مفید به نشانی learning.emofid.com مراجعه کنید. در این وبسایت بیش از ۹۰۰ مطلب در سه سطح «مبتدی»، «نیمه حرفه‌ای» و «حرفه‌ای» به همراه دوره های مختلف آموزشی ارائه شده است. به علاوه روزانه چندین کلاس آموزش بورس از صفر به صورت رایگان و غیر حضوری برگزار می‌شود که می‌توانید از آن‌ها بهره‌مند شوید.

انتهای رپرتاژ آگهی 

منبع: ایسنا

کلیدواژه: کارگزاری مفید آموزش بورس از صفر تحلیل تکنیکال اعداد فیبوناچی نسبت طلایی عدد قبلی دو عدد

درخواست حذف خبر:

«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.isna.ir دریافت کرده‌است، لذا منبع این خبر، وبسایت «ایسنا» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۴۵۳۴۴۶۸ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.

با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.

خبر بعدی:

رفتارهای غیرمنطقی انسان الگوی جدید هوش مصنوعی شد

خبرگزاری علم و فناوری آنا؛ محققان دانشگاه ام آی تی و دانشگاه واشنگتن راهی برای مدل‌سازی رفتار یک سوژه، خواه انسانی یا ماشینی، ابداع کردند که محدودیت‌های محاسباتی ناشناخته را توضیح می‌دهد. این روش جدید به درک تفکر انسان و ماشین و چگونگی حل مشکلات کمک می‌کند و هر گونه محدودیتی را که ممکن است مانع حل مسئله شود شناسایی می‌کند.

برای ساختن سیستم‌های هوش مصنوعی که می‌توانند همکاری مؤثری با انسان داشته باشند، الگوبرداری مناسب از رفتار انسان برای شروع مفید است. اما بیشتر انسان‌ها تمایل دارند هنگام تصمیم‌گیری رفتاری نشان دهند که با هنجار‌ها و استاندارد‌ها چندان سازگار نیست. این غیرمنطقی بودن، که مدل‌سازی آن به‌ویژه دشوار است، اغلب به محدودیت‌های محاسباتی ختم می‌شود. دلیلش این است که یک انسان فرصت ندارد مدت‌های طولانی وقت صرف کند تا به راه حل مناسب برای حل یک مشکل برسد.

پیش‌بینی و پیشگیری از رفتار‌های اشتباه

مدل جدید محققان می‌تواند به طور خودکار محدودیت‌های محاسباتی یک سوژه را با دیدن تنها چند نمونه از اقدامات قبلی آنها استنتاج کند. این «پایه استنتاج» می‌تواند برای پیش‌بینی رفتار‌های آتی آن سوژه استفاده شود. برای مثال، می‌تواند پیش‌بینی کند که بر اساس الگو‌های سفر قبلی یک فرد به کجا می‌رود و یا مثلاً حرکت بعدی یک بازیکن را در بازی شطرنج پیش‌بینی کند. این کار می‌تواند به دانشمندان کمک کند نحوه رفتار انسان‌ها را به سیستم‌های هوش مصنوعی بیاموزند تا به همکاران انسانی خود بهتر پاسخ دهند. به گفته پائول جیکوب (Paul Jacob)، نویسنده ارشد این تحقیق، توانایی درک رفتار انسان و سپس استنتاج اهداف او بر اساس رفتار، می‌تواند کارایی یک دستیار هوش مصنوعی را تا حد زیادی ارتقا دهد.

جیکوب می‌گوید: «هوش مصنوعی می‌تواند با مشاهده رفتار‌های قبلی انسان، او را از انجام اشتباه احتمالی بازدارد و وارد عمل شود و راه بهتری را پیشنهاد دهد. حتی می‌تواند با نقاط ضعفی که همکاران انسانی‌اش دارند سازگار شود. توانایی مدل‌سازی رفتار انسان گام مهمی به سوی ساخت یک عامل هوش مصنوعی است که در واقع می‌تواند به آن انسان کمک کند.»

چگونگی آموزش الگوریتم

اولین مرحله در روش آنها شامل اجرای یک الگوریتم حل مسئله در مدت زمان محدود است. برای مثال، اگر مدل هوش مصنوعی در حال انجام مسابقه شطرنج است به الگوریتم  آن اجازه می‌دهند که فقط در تعداد معینی از مراحل اجرا شود. در پایان، محققان می‌توانند تصمیماتی را که الگوریتم در هر مرحله اتخاذ کرده است، مشاهده و بررسی کنند.

سپس این مدل، تصمیمات خود را با تصمیمات سوژه‌ای که از آن الگو گرفته مقایسه می‌کند تا با هم هماهنگ شوند و مرحله‌ای که عامل برنامه‌ریزی را متوقف کرده است شناسایی می‌کند. از این رو، مدل می‌تواند پایه استنتاج یا مدت زمانی که آن سوژه برای این مشکل برنامه‌ریزی می‌کند را برآورد کند. از پایه استنتاج همچنین می‌توان برای پیش‌بینی نحوه واکنش آن سوژه هنگام حل یک مشکل مشابه استفاده کرد.

این روش می‌تواند بسیار کارآمد باشد، زیرا محققان می‌توانند بدون تلاش مضاعف، به مجموعه کاملی از تصمیمات الگوریتم حل مسئله دسترسی داشته باشند. این چارچوب همچنین می‌تواند به حل هر مشکلی که در آن کلاس خاص از الگوریتم قرار دارد کمک کند.

محققان رویکرد خود را در سه مدل‌سازی مختلف آزمایش کردند: استنباط اهداف ناوبری بر اساس مسیر‌های قبلی، حدس زدن قصد ارتباطی افراد از روی نشانه‌های کلامی آنها و پیش‌بینی حرکات بعدی در مسابقات شطرنج انسان با انسان. روش آنها در هر آزمایش یا با یک انتخاب رایج مطابقت داشت یا عملکرد بهتری را نشان داد.

با این روش جدید، سیستم‌های هوش مصنوعی از اشتباهات خود درس می‌گیرند و مهارت‌های تصمیم‌گیری خود را بهبود می‌بخشند. از این رویکرد همچنین می‌توان برای مدل‌سازی فرآیند برنامه‌ریزی در ربات‌ها استفاده کرد. هدف نهایی این روش، ایجاد مدل‌هایی از هوش مصنوعی است که بتوانند همکاری مؤثرتری با انسان داشته باشند.

این گزارش از ام آی تی نیوز به فارسی برگردان شده است.

انتهای پیام/

نازنین احسانی طباطبایی