ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
01 Jul 2025 22:26
به سادگی والت متا مسک را نصب و به اربیتروم کانکت کنید .
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
01 Jul 2025 22:25
اگر در والت این کار رو بخواهید با دب ها انجام دهید حدود یک دهم اتریم کارمزد از شما می گیرند
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
01 Jul 2025 22:23
چگونه اتریم را از لایه ی اول به لایه دوم اربیتروم وان ببریم .
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
01 Jul 2025 22:12
این محتوا صرفا جنبه آموزشی دارد .و مسئولیت انجام هر گونه معامله و سود یا ضرر احتمالی به عهده شماست 🎮
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
30 Jun 2025 05:59
Ali Zand Vakili - Ghamgintarin Ahang (Remix).mp3
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
28 Jun 2025 17:37
@
📹 How To Trade Futures Contracts [Full & Live Explanation] | Trading Tutorials →
👤 Trade Brigade →
🤖 Download via (720p).
@
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
27 Jun 2025 17:54
🔤 Language: #json
📄 File: json_v6apt0.json
💾 File Type: #Codefile
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
27 Jun 2025 17:54
//@=5
indicator(title="Historical Volatility (Table IO)", shorttitle="HistVol", overlay=false) // overlay=false plots on a separate pane
// --- Input Parameters ---
lookback_period = input.int(20, title="Lookback Period for Volatility", minval=1)
annual_trading_days = input.int(252, title="Annual Trading Days", minval=1)
table_id = "hist_vol_table" // Unique ID for the table
// --- Calculations ---
// 1. Calculate Daily Returns
// Using simple percentage change: (Price Today - Price Yesterday) / Price Yesterday
// We use nz() to handle the first bar where close[1] is na, resulting in 0 return initially.
daily_return = (close / nz(close[1])) - 1
// 2. Calculate Mean Daily Return over Lookback Period (Optional for StDev, but good for table)
mean_return = ta.sma(daily_return, lookback_period)
// 3. Calculate Standard Deviation of Daily Returns over Lookback Period
// This is the core measure of daily price variation
stdev_return = ta.stdev(daily_return, lookback_period)
// 4. Annualize Volatility
// Multiply daily standard deviation by the square root of the number of trading days in a year
annualized_volatility = stdev_return * math.sqrt(annual_trading_days)
// --- Show IO in Advanced Table ---
// Need 6 rows: Header + Lookback + Annual Days + Current Return + Mean Return + StDev + Annualized Volatility
var table io_table = table.new(position = position.top_right, columns = 2, rows = 7, border_width = 1, text_color = color.white)
if barstate.islast
// Header Row
table.cell(table_id = io_table, column = 0, row = 0, text = "Metric", bgcolor = color.gray)
table.cell(table_id = io_table, column = 1, row = 0, text = "Value", bgcolor = color.gray)
// Row 1: Lookback Period Input
table.cell(table_id = io_table, column = 0, row = 1, text = "Lookback Period:")
table.cell(table_id = io_table, column = 1, row = 1, text = str.tostring(lookback_period))
// Row 2: Annual Trading Days Input
table.cell(table_id = io_table, column = 0, row = 2, text = "Annual Trading Days:")
table.cell(table_id = io_table, column = 1, row = 2, text = str.tostring(annual_trading_days))
// Row 3: Current Daily Return
table.cell(table_id = io_table, column = 0, row = 3, text = "Current Daily Return:")
table.cell(table_id = io_table, column = 1, row = 3, text = str.tostring(daily_return, "0.00000")) // Format as percentage or decimal
// Row 4: Mean Daily Return
table.cell(table_id = io_table, column = 0, row = 4, text = "Mean Daily Return:")
table.cell(table_id = io_table, column = 1, row = 4, text = str.tostring(mean_return, "0.00000"))
// Row 5: Standard Deviation of Returns
table.cell(table_id = io_table, column = 0, row = 5, text = "Standard Deviation:")
table.cell(table_id = io_table, column = 1, row = 5, text = str.tostring(stdev_return, "0.00000"))
// Row 6: Annualized Volatility
table.cell(table_id = io_table, column = 0, row = 6, text = "Annualized Volatility:")
table.cell(table_id = io_table, column = 1, row = 6, text = str.tostring(annualized_volatility, "0.00%")) // Format as percentage
// --- Optional: Plot the Annualized Volatility ---
// plot(annualized_volatility * 100, title="Annualized Volatility (%)", color=color.blue) // Plot as percentage
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
27 Jun 2025 17:52
نوسان (Volatility) چیه؟
نوسان در بازارهای مالی به میزان تغییرات قیمت یک دارایی (مثل سهام، ارز، کالا و غیره) در یک بازه زمانی مشخص اشاره داره. به عبارت دیگه، نشون میده که قیمت یک دارایی چقدر بالا و پایین میره. اگه قیمت یک دارایی خیلی سریع و زیاد تغییر کنه، میگیم نوسانش بالاست. اگه قیمت تقریباً ثابت بمونه، میگیم نوسانش پایینه.
چرا نوسان مهمه؟
نوسان چند تا دلیل داره که مهمه:
مدیریت ریسک: نوسان بالا یعنی ریسک بالا. سرمایه‌گذارها باید بدونن که دارایی که میخرن چقدر نوسان داره تا بتونن ریسک سرمایه‌گذاریشون رو مدیریت کنن.
تعیین قیمت آپشن: قیمت قراردادهای آپشن (Option) به شدت به نوسان دارایی پایه بستگی داره. هرچی نوسان بیشتر باشه، قیمت آپشن هم بیشتر میشه.
استراتژی‌های معاملاتی: خیلی از معامله‌گرها از نوسان برای طراحی استراتژی‌های معاملاتی استفاده میکنن. مثلاً بعضی‌ها وقتی نوسان بالاست، سعی میکنن از تغییرات سریع قیمت سود ببرن.
تصمیم‌گیری سرمایه‌گذاری: نوسان میتونه به سرمایه‌گذارها کمک کنه تصمیم بگیرن که چه دارایی‌هایی رو بخرن یا بفروشن.
چطور نوسان محاسبه میشه؟
روش‌های مختلفی برای محاسبه نوسان وجود داره، اما رایج‌ترینش استفاده از انحراف معیار (Standard Deviation) هست.
1. نوسان تاریخی (Historical Volatility): این نوع نوسان بر اساس داده‌های قیمت گذشته محاسبه میشه.
2. نوسان ضمنی (Implied Volatility): این نوع نوسان از قیمت قراردادهای آپشن استخراج میشه و نشون میده که بازار انتظار داره نوسان در آینده چقدر باشه.
فرمول نوسان تاریخی (Historical Volatility):
برای محاسبه نوسان تاریخی، مراحل زیر رو دنبال میکنیم:
1. محاسبه بازده روزانه: بازده روزانه (Daily Return) رو با استفاده از فرمول زیر محاسبه میکنیم:
بازده روزانه = (قیمت امروز - قیمت دیروز) / قیمت دیروز
2. محاسبه میانگین بازده: میانگین بازده‌های روزانه رو در یک بازه زمانی مشخص (مثلاً 20 روز) محاسبه میکنیم.
3. محاسبه انحراف معیار: انحراف معیار بازده‌های روزانه رو محاسبه میکنیم. انحراف معیار نشون میده که بازده‌ها چقدر از میانگین فاصله دارن.
4. تبدیل به نوسان سالانه: انحراف معیار روزانه رو در جذر تعداد روزهای معاملاتی در سال (معمولاً 252 روز) ضرب میکنیم تا نوسان سالانه به دست بیاد.
نوسان سالانه = انحراف معیار روزانه * √252
به طور خلاصه:
نوسان نشون میده که قیمت یک دارایی چقدر تغییر میکنه.
نوسان بالا یعنی ریسک بالا.
نوسان با استفاده از انحراف معیار بازده‌های روزانه محاسبه میشه.
نوسان سالانه از ضرب انحراف معیار روزانه در جذر 252 به دست میاد.
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
27 Jun 2025 17:47
🔤 Language: #json
📄 File: json_9u40g0.json
💾 File Type: #Codefile
Читать полностью…
ICT𝘼𝘿𝙑𝘼𝙉𝘾𝙀𝘿️(𝐙𝐞𝐭𝐚 𝐜𝐢𝐫𝐜𝐥𝐞 𝐢𝐧𝐧𝐞𝐫 𝐜𝐢𝐫𝐜𝐥𝐞 𝐯𝐢𝐩𝐞𝐫️)™️
27 Jun 2025 17:47
0, text = "Value", bgcolor = color.gray)
// Row 1: Lookback Period Input
table.cell(table_id = io_table, column = 0, row = 1, text = "Lookback Period:")
table.cell(table_id = io_table, column = 1, row = 1, text = str.tostring(lookback_period))
// Row 2-4: Current Sizes
table.cell(table_id = io_table, column = 0, row = 2, text = "Current Body Size:")
table.cell(table_id = io_table, column = 1, row = 2, text = str.tostring(current_body, "0.00000")) // Format to 5 decimal places
table.cell(table_id = io_table, column = 0, row = 3, text = "Current Upper Shadow:")
table.cell(table_id = io_table, column = 1, row = 3, text = str.tostring(current_upper_shadow, "0.00000"))
table.cell(table_id = io_table, column = 0, row = 4, text = "Current Lower Shadow:")
table.cell(table_id = io_table, column = 1, row = 4, text = str.tostring(current_lower_shadow, "0.00000"))
// Row 5-7: Calculated Thresholds
table.cell(table_id = io_table, column = 0, row = 5, text = "Threshold Body:")
table.cell(table_id = io_table, column = 1, row = 5, text = str.tostring(threshold_body, "0.00000"))
table.cell(table_id = io_table, column = 0, row = 6, text = "Threshold Upper Shadow:")
table.cell(table_id = io_table, column = 1, row = 6, text = str.tostring(threshold_upper_shadow, "0.00000"))
table.cell(table_id = io_table, column = 0, row = 7, text = "Threshold Lower Shadow:")
table.cell(table_id = io_table, column = 1, row = 7, text = str.tostring(threshold_lower_shadow, "0.00000"))
// Row 8-10: Pure Volatilities
table.cell(table_id = io_table, column = 0, row = 8, text = "Pure Body Volatility:")
table.cell(table_id = io_table, column = 1, row = 8, text = str.tostring(pure_body_volatility, "0.00000"))
table.cell(table_id = io_table, column = 0, row = 9, text = "Pure Upper Shadow Volatility:")
table.cell(table_id = io_table, column = 1, row = 9, text = str.tostring(pure_upper_shadow_volatility, "0.00000"))
table.cell(table_id = io_table, column = 0, row = 10, text = "Pure Lower Shadow Volatility:")
table.cell(table_id = io_table, column = 1, row = 10, text = str.tostring(pure_lower_shadow_volatility, "0.00000"))
Читать полностью…
4715