זיהוי תבניות נרות לסחר אלגוריתמי
סוחרים מבלים שעות בהתבוננות בגרפים אך עדיין מפספסים תבניות היפוך. מערכת זיהוי תבניות הנרות האוטומטית שלנו לסחר אלגוריתמי מבטלת זאת. מנוע שרת מבוסס Python סורק מאות מכשירים על פני מסגרות זמן מרובות ומפיק אותות עם סינון קונטקסטואלי. אנו משתמשים במתודולוגיית הנרות היפנית, משופרת עם TA-Lib ואלגוריתמים קנייניים, כדי להסיר את הגורם האנושי. התוצאה היא דיוק כניסה גבוה ב-10–15% מגלאים גולמיים.
המערכת מתאימה גם לסחר אוטומטי וגם לסחר ידני עם התראות. עלות הפיתוח מתחילה מ-$2,500 בהתאם למורכבות. לקוחות מדווחים על חיסכון ממוצע של $1,200 בחודש בניתוח ידני.
למה זיהוי תבניות אוטומטי עובד טוב יותר מאשר ידני
העין האנושית קולטת 3–5 תבניות בכל סשן, בעוד אלגוריתם מעבד אלפי נרות בשנייה. ניתוח נרות הוא מתודולוגיה יפנית בת מאות שנים, אך הוא מצא חיים חדשים בסחר אלגוריתמי. ספריית TA-Lib מכילה פונקציות מוכנות לרוב התבניות הקלאסיות.
סיווג תבניות נרות
- נר בודד: Doji, Hammer, Inverted Hammer, Shooting Star, Spinning Top, Marubozu.
- שני נרות: Bullish/Bearish Engulfing, Harami, Piercing Line, Dark Cloud Cover, Tweezer Top/Bottom.
- שלושה נרות (האמינים ביותר): Morning Star, Evening Star, Three White Soldiers, Three Black Crows, Three Inside Up/Down, Abandoned Baby.
איך לסנן אותות שווא
גלאי תבניות גולמי מייצר הרבה טריגרים שגויים. סינון קונטקסטואלי משפר משמעותית את האיכות:
- הקשר מגמה — Hammer תקף רק במגמת ירידה, Shooting Star רק במגמת עלייה. המגמה נקבעת באמצעות EMA(20) או רגרסיה לינארית על פני N הנרות האחרונים.
- רמות תמיכה/התנגדות — תבנית ליד רמה מרכזית נושאת משקל רב יותר מאשר אחת באמצע טווח.
- נפח — תבנית עם נפח מעל הממוצע אמינה הרבה יותר. Morning Star עם נפח גבוה בנר השלישי הוא אות היפוך חזק.
- מסנן ATR — בתקופות תנודתיות נמוכה (ATR מתחת ל-N%), תבניות מתעלמות כרעש סטטיסטי.
אלגוריתם זיהוי
כל תבנית מוגדרת על ידי קבוצת תנאים מתמטיים על פרמטרי הנר (פתיחה, גבוה, נמוך, סגירה, נפח).
דוגמת קוד: Bullish Engulfing
def is_bullish_engulfing(prev, curr):
prev_bearish = prev['close'] < prev['open']
curr_bullish = curr['close'] > curr['open']
curr_body_size = curr['close'] - curr['open']
prev_body_size = prev['open'] - prev['close']
engulfs = (curr['open'] <= prev['close'] and curr['close'] >= prev['open'])
min_body_ratio = curr_body_size / prev_body_size >= 1.1
return prev_bearish and curr_bullish and engulfs and min_body_ratioדוגמת קוד: Doji
def is_doji(candle, threshold=0.1):
body = abs(candle['close'] - candle['open'])
range_ = candle['high'] - candle['low']
return (body / range_) <= threshold if range_ > 0 else Falseנורמליזציה — גדלים מוחלטים של גוף וצללים מושווים באמצעות יחסים, לא ערכים מוחלטים. גוף > 70% מהטווח = נר חזק. גוף < 10% = doji. צללים > 2× גוף = hammer/shooting star.
בדיקת ביצועים ושיעור ניצחון
אנו משתמשים ב-TA-Lib כבסיס ומשלימים עם יישומים משלנו הכוללים סינון קונטקסטואלי.
בדיקת ביצועים על BTC/USDT (1h, בשנים האחרונות, נתונים מהיסטוריית OHLCV של Binance 2019-2024 [תיעוד TA-Lib]):
| תבנית | אותות | שיעור ניצחון (ללא הקשר) | שיעור ניצחון (עם מסנן מגמה) |
|---|---|---|---|
| Bullish Engulfing | 1840 | 52% | 61% |
| Morning Star | 412 | 56% | 67% |
| Hammer | 2190 | 49% | 58% |
| Three White Soldiers | 186 | 64% | 71% |
השוואת אמינות תבניות
| תבנית | אמינות | תדירות | מסגרת זמן מומלצת |
|---|---|---|---|
| Morning Star | גבוהה | נמוכה | 1h–4h |
| Engulfing | בינונית | גבוהה | 15m–1h |
| Hammer | נמוכה | גבוהה מאוד | 1h–4h |
| Three White Soldiers | גבוהה | נמוכה מאוד | 1d |
ניתוח רב-מסגרות זמן
המערכת סורקת את כל המכשירים המוגדרים בו-זמנית על פני מסגרות זמן מרובות (15m, 1h, 4h, 1d). ניתוח רב-מסגרות חושף התכנסות תבניות — אות בעדיפות גבוהה המאושר על מספר מסגרות זמן בו-זמנית. היררכיית עדיפות: יומי > 4h > 1h > 15m. אות תבנית על 4h עם אישור על 1d מקבל תוספת ניקוד של +30%.
ארכיטקטורה וטכנולוגיות
- Python: pandas לנתוני OHLCV, TA-Lib לתבניות בסיסיות, פונקציות מותאמות לתבניות מורחבות עם הקשר.
- CCXT לחיבור API של בורסות. מחסנית זו נפוצה בסחר Python.
- מתזמן: APScheduler או Celery Beat לסריקה קבועה בסגירת נר.
- מסד נתונים לתבניות: PostgreSQL — טבלה עם שדות: מכשיר, מסגרת זמן, סוג תבנית, חותמת זמן נר, ניקוד, הקשר (JSON), סטטוס (פעיל/פג/הופעל).
- התראות: בוט Telegram עם הודעות מעוצבות: שם תבנית, מכשיר, מסגרת זמן, מחיר נוכחי, יעד אפשרי.
- ויזואליזציה: הדגשת נרות תבנית עם צבעים/אייקונים על גרף המחיר. TradingView Lightweight Charts או רנדרר canvas מותאם.
תהליך פיתוח
- ניתוח דרישות ובחירת מכשירי סחר.
- עיצוב ארכיטקטורה ומסד נתונים.
- פיתוח אלגוריתמי זיהוי וסינון קונטקסטואלי.
- בדיקת ביצועים על נתונים היסטוריים עם מדדי שיעור ניצחון.
- פריסה בקונטיינר Docker ואינטגרציה עם הבורסה.
מה כלול (תוצרים)
אנו מספקים מערכת סוהר:
- קוד מקור של מודול הזיהוי (Python, רישיון MIT)
- קבצי תצורה למכשירים ומסגרות זמן
- תיעוד API ודוגמאות אינטגרציה
- סקריפט פריסה (Docker + docker-compose)
- הדרכה לצוות הלקוח (2–4 שעות מקוונות)
- תמיכה בשלב הבדיקות (שבועיים)
- גישה למאגר Git פרטי עם היסטוריית גרסאות
- נקודות קצה Webhook לאינטגרציה חיצונית
לצוות שלנו יש ניסיון משולב של 10+ שנים בסחר אלגוריתמי והושלמו מעל 50 פרויקטים. אנו מספקים מובטח שיפור דיוק וסקירות קוד מוסמכות לפי בקשה.
קבלו מערכת עובדת המותאמת לצרכים שלכם. רקורד שלנו כולל מעל 50 פרויקטי סחר קריפטו. צרו קשר לייעוץ — השאירו בקשה, ונעריך את הפרויקט שלכם תוך 1–2 ימים.