سیگنال های نزولی

در این الگوی هر دو شمعدان دارای رنگ های بالا و متناوب هستند. شمع سمت چپ آن سبز است و ادامه روند صعودی است و شمع بعد از آن، قرمز بوده که نشان دهنده ضعف بازار است.

A New Method for Controlling the Speed of a Surface Permanent Magnet Synchronous Motor using Fuzzy Comparative Controller with Hybrid Learning

In this paper, the fuzzy neural controller has been used to control the speed of the surface permanent magnet synchronous motor, despite its uncertainty in parameters and torque load. This method first uses a variety of local controllers (such as PIDs, LQRs, etc.) for different engine operating points and for different uncertainties and torque for precise engine control. Then the adaptive fuzzy controller learns that all of the local controllers are included and therefore, despite the indeterminacy in the parameters and torque of the motor, the reference speed with fast response and the least stable mode error are followed. Fuzzy neural network training algorithm is a mixed method, which is a combination of two methods of least squares and descending gradients with error propagation method. The least squares method is used to adjust the linear parameters of the output layer and the descending gradient algorithm uses an error propagation method for adjusting and updating the nonlinear parameters of the fuzzy layer. In the end, simulation of this controller is compared with H∞, Fuzzy and PID controller. Simulation results show the effectiveness of the proposed method in the paper.

Keywords

• Neural Network
• Fuzzy System
• Surface Permanent Magnet Synchronous Motor (SPMSM)

Full Text

1- مقدمه[1]

در چند دهة اخیر، منطق فازی رشد چشمگیری در بسیاری از علوم داشته است. از دلایل رشد منطق فازی گفتنی است این منطق به ریاضیات قوی نیازمند نیست و همچنین، در اعمال منطق فازی به سیستم‌های مختلف، به مدل دینامیکی دقیق سیستم احتیاج نیست ]1[. یکی از مهم‌ترین دلایل رشد سریع استفاده از منطق فازی، پیاده‌سازی تفکر و استدلال بشری به‌صورت قواعد اگر - آنگاه است. یکی از کاربردهای منطق فازی، مدل‌سازی فازی است. مدل‌سازی فازی شامل حصول قواعد فازی «اگر - آنگاه» از دادة ورودی - خروجی سیستم، ایجاد ساختار اولیة مدل (شناسایی ساختاری) و آموزش مدل (شناسایی پارامتری) است ]1[. یکی از راههای به دست آوردن قواعد اگر - آنگاه و شناسایی پارامترهای مدل فازی، ترکیب منطق فازی و شبکه‌های عصبی است. این ترکیب می‌تواند به‌عنوان کنترل‌کنندة هوشمند در سیستم‌های مختلف استفاده شود. هدف این مقاله، کنترل عصبی فازی سیگنال های نزولی موتور سنکرون است؛ بنابراین، ابتدا مختصری از کارهای اخیر بررسی می‌شوند.

در ]2[ ابتدا با شبکة عصبی با آموزش پس‌انتشار خطا نامعینی دینامیک موتور سنکرون مغناطیس دائم، شناسایی و سپس از آن برای تنظیم پارامترهای کنترل فازی استفاده شده است. به کمک شبیه‌سازی در این مرجع، شبکة عصبی فازی با کنترل‌کنندة PID، مقایسه و نشان داده شده است که شبکه‌های عصبی فازی با دقت درخور قبولی قادر به ردیابی مدل مرجع‌اند. همچنین، مشکل فراجهش کنترل‌کنندة PID در کنترل‌کنندة عصبی فازی وجود ندارد. در ]3[ از کنترل فازی TSK با آموزش گرادیان کاهشی و روش پس‌انتشار خطا برای کنترل موتور سنکرون مغناطیس دائم شش فاز استفاده شده است.

امروزه روش‌های ترکیبی عصبی فازی با مد لغزشی ]4،5[، بازگشت به عقب ]6[، کنترل سیگنال های نزولی مقاوم ]7[، ]8[، تخمین‌گر تطبیقی ]9[ و . برای کنترل سرعت و موقعیت موتور سنکرون مغناطیس دائم بسیار پرکاربرد شده است.

پیاده‌سازی سخت‌افزاری کنترل عصبی فازی با قابلیت آموزش online بسیار مشکل است. با وجود اینکه بیش از 20 سال از پیاده‌سازی سخت‌افزاری سیستم‌های هوش محاسباتی با آموزش online می‌گذرد ]10[، هنوز در صنعت PID و کنترل‌کننده‌های ساختار ثابت استفاده می‌شوند؛ زیرا شامل مشتق‌گیری و به‌روزرسانی لحظه‌ای پارامترهاست و باوجود نویز و اغتشاش در سیستم‌های فیزیکی، این کار هنوز جا نیافتاده و به تغییرات در سیستم آموزش شبکه‌های عصبی و عصبی فازی و نیز تغییرات در تراشه‌ها نیازمند است ]11[. روش آموزش ترکیبی حداقل مربعات و گرادیان کاهشی در ]12[ معرفی شد. این روش سرعت بالایی در آموزش شبکه دارد و ازنظر پیاده‌سازی، کمترین مشکلات سخت‌افزاری و نویزپذیری را دارد و در سال‌های اخیر بسیار استفاده شده است ]18-13[.

در مقالة حاضر از روش ترکیبی حداقل مربعات و الگوریتم گرادیان نزولی و روش پس‌انتشار خطا برای آموزش شبکة عصبی فازی تطبیقی (ANFIS) استفاده شده است. در روش ترکیبی، از روش حداقل مربعات، برای تنظیم پارامترهای خطی لایة خروجی و از الگوریتم گرادیان نزولی و روش پس‌انتشار خطا برای تنظیم پارامترهای غیرخطی لایة ورودی شامل پارامترهای توابع عضویت ورودی استفاده می‌شود.

در این مقاله روش جدیدی بر مبنای شبکة تطبیقی عصبی فازی به‌صورتoffline ارائه می‌شود. در این روش، ابتدا شبکة تطبیقی عصبی فازی تغییرات دینامیک موتور در نقاط کاری مختلف و با گشتاور بار مختلف (با پارامترهای متغیر تصادفی) را شناسایی می‌کنند و با روش آموزش ترکیبی حداقل مربعات و گرادیان کاهشی آموزش می‌بیند. روش شناسایی نیز به این صورت است که برای هر نقطة کار، هر مقدار اغتشاش و گشتاور بار و تغییرات تصادفی پارامترها، یک کنترل‌کنندة محلی دقیق مانند PID، LQR، LQG و . به‌صورت محلی، طراحی و سپس ورودی و خروجی این مجموعة کنترل‌کننده به یک شبکة عصبی فازی تطبیقی با آموزش ترکیبی اعمال می‌شود و شبکه تمامی کنترل‌کننده‌ها را پوشش می‌دهد. در این حالت، شبکة آموزش‌دیده توانایی مقابله با شرایط مختلف را دارد و با دقت بالایی می‌توان سرعت موتور را کنترل کرد. در ادامه، ابتدا معادلات دینامیکی موتور سنکرون مغناطیس دائم سطحی، بیان و سپس ساختار شبکة تطبیقی عصبی فازی و روابط آن ارائه خواهند شد؛ درنهایت، ترکیب کنترل‌کننده و موتور و نتایج شبیه‌سازی ارائه می‌شوند.

2- مدل دینامیکی موتور سنکرون مغناطیس دائم

مدل دینامیکی موتور سنکرون مغناطیس دائم سطحی براساس روابط (1) و (2) نشان داده می‌شوند ]19[.

که در آنها و به‌ترتیب جریان و ولتاژ محور ، و جریان و ولتاژ محور ، سرعت زاویه‌ای روتور، موقعیت زاویه‌ای روتور، اندوکتانس، مقاومت استاتور و شار مغناطیسی موتور است.
گشتاور بار، ضریب اصطکاک و اینرسی است.

گشتاور الکتریکی از رابطة زیر به دست می‌آید.

در رابطة (3)، تعداد قطب‌های موتور است.

طبق رابطة (3)، با ثابت نگه داشتن جریان محور ، می‌توان گشتاور را با جریان محور کنترل کرد؛ در این راستا رابطة (3) به‌صورت رابطة (5) نوشته می‌شود:

در رابطة (5)، یک مقدار ثابت است؛ بنابراین، با کنترل جریان ، گشتاور کنترل می‌شود.

3- شبکة عصبی فازی

باوجود رشد گستردة منطق فازی، هنوز روند سینماتیکی برای طراحی یک کنترل‌کنندة فازی وجود ندارد ]1[؛ اما یک شبکة عصبی این توانایی را دارد که از محیط آموزش ببیند (جفت‌های ورودی - خروجی)، ساختارش را مرتب کند و با شیوه‌ای، تعامل خود را تطبیق دهد. بنابراین، با ترکیب منطق فازی و شبکة عصبی می‌توان بر این مشکل فائق آمد.

شبکه‌های عصبی فازی قابلیت آموزش و استخراج قوانین فازی و تنظیم پارامترهای توابع عضویت را دارند. در شکل (1) ساختار یک شبکة عصبی فازی تطبیقی[1] با دو ورودی و یک خروجی نشان داده شده است.

شکل (1): شبکة عصبی فازی مدل TSK

برای ساختار شکل (1)، دو قاعدة فازی تعریف شده است:

1) اگر برابر و برابر باشد، آنگاه

2) اگر برابر و برابر باشد، آنگاه

در شکل (1) لایة اول، لایة فازی‌ساز است. در این شکل برای هرکدام از ورودی‌ها دو تابع عضویت در نظر گرفته شده است. ورودی عددی در این لایه به یک عدد فازی تبدیل می‌شود؛ برای مثال، اگر توابع عضویت گوسی باشند، خروجی لایة اول به‌صورت زیر محاسبه می‌شود.

که در آن ، تابع عضویت متغیر زبانی مربوط به امین ورودی و قاعده ام است. در رابطة (7)، ، مرکز تابع گوسی و ، انحراف از معیار تابع گوسی است. در لایة دوم، قواعد فازی ساخته می‌شوند. اگر در گره لایة دوم از عملگر AND استفاده شده باشد، خروجی لایة دوم به‌صورت زیر است:

در لایة سوم، عمل نرمال‌سازی انجام می‌شود؛ به این صورت که خروجی هر گره از لایة دوم به مجموع تمامی خروجی‌های لایة دوم تقسیم می‌شود.

در لایة چهارم، خروجی لایة سوم در یک تابع ضرب می‌شود که ترکیب خطی از ورودی‌هاست.

در تک گره لایة پنجم، خروجی تمام گره‌های لایه چهارم با هم جمع می‌شوند.

برای آموزش شبکة عصبی فازی از ترکیب روش حداقل مربعات برای به‌روزرسانی پارامترهای لایة چهارم و روش پس‌انتشار خطا برای به‌روزرسانی پارامترهای تابع عضویت گوسی استفاده می‌شود.

در روش حداقل مربعات، فرض می‌شود خروجی شبکه از رابطة (12) به دست آید ]6[.

که در آن، بردار ورودی به شبکه، ، توابعی مشخص از بردار ورودی و نیز پارامترهای خروجی است که باید حین آموزش شبکه به‌روزرسانی شوند. فرض می‌شود برای آموزش شبکه، زوج ورودی – خروجی به‌صورت در اختیار باشد. رابطة (12) را می‌توان به‌صورت زیر نوشت:

که در آن، یک ماتریس و به‌صورت زیر است:

و بردار پارامترهای خروجی و به‌صورت زیر است:

و خروجی نیز به‌صورت یک بردار و به‌صورت زیر است:

همواره و نیز خطای مدل‌سازی وجود دارد؛ بنابراین، رابطة (13) به‌صورت زیر نوشته می‌شود:

هدف یافتن ، به‌گونه‌ای است که تابع هزینة زیر مینیمم شود.

که در آن ، سطر iام ماتریس A است. فرض کنید اگر تابع هزینه مینیمم ‌شود، آنگاه به دست می‌آید؛ بنابراین،

اگر ماتریس تکین نباشد، از حل معادلة (20) به دست می‌آید.

در روابط (20-12)، اگر دادة جدیدی به شبکه اعمال شود، تمامی محاسبات بالا تکرار می‌شوند؛ به همین دلیل، بهتر است از الگوریتم حداقل مربعات بازگشتی استفاده شود. روابط (21) و (22) بیان‌کنندة الگوریتم حداقل مربعات بازگشتی‌اند.

در رابطة (21)، ماتریس واریانس خطا و بردار ضرایب است.

برای مثال، برای تخمین پارامترهای لایة خروجی شبکة عصبی فازی ساختار شکل (1)، مقادیر بردارهای و به فرم زیر است:

در این قسمت روش پس‌انتشار خطا با الگوریتم گرادیان نزولی تعریف می‌شود. فرض می‌شود شبکة عصبی فازی لایه دارد و لایه ام، نرون دارد. خروجی نرون از لایة ، با نماد و تابع نرون از لایة ، با نماد نشان داده می‌شود.

در رابطة (25)، پارامترهای نرون‌اند که باید در هر مرحلة آموزش به‌روزرسانی شوند. فرض می‌شود تعداد کل داده‌هایی برابر باشد که برای آموزش یک شبکة چند ورودی - چند خروجی استفاده می‌شود. فرض می‌شود زوج ورودی - خروجی ام به شبکه اعمال شود و مجموع مربعات خطای مربوط به این داده از رابطة (26) به دست می‌آید.

در رابطة (26)، ، خروجی مطلوب شبکه و خروجی واقعی شبکة مربوط به نرون ام است. در آموزش شبکه با داده، هدف، حداقل‌کردن خطای مربوط به کل داده‌های آموزش، یعنی است که لازمة این کار، حداقل‌کردن خطای هریک از داده‌های آموزش است. اساس الگوریتم گرادیان نزولی و روش پس‌انتشار خطا بر پایة مشتق است؛ به این صورت که در هر مرحله مشتق خطا به پارامتر مجهول محاسبه می‌شود تا مقدار بهینة پارامتر مجهول به دست آید. به این ترتیب، از لایة خروجی شروع می‌شود و پارامترها به‌روزرسانی می‌شوند تا به لایة ورودی برسد. در رابطة (27)، خطای نرون ام از لایة خروجی( ) محاسبه می‌شود.

به همین ترتیب، برای نرون ام از لایة ام، خطا از رابطة (28) به دست می‌آید.

برای مثال، اگر پارامتر نرون ام از لایة ام باشد، خطا از رابطة (29) به دست می‌آید.

بنابراین، برای به‌روزرسانی پارامتر طی آموزش از رابطة (31) استفاده می‌شود.

برای پیاده‌سازی روش پس‌انتشار خطا، ابتدا شبکة عصبی فازی شکل (2) با دو ورودی و و خروجی و تابع عضویت گوسی را در نظر بگیرید. در این شبکه، تعداد توابع عضویت برای ورودی ، برابر و برای ورودی برابر در نظر گرفته شده است. پارامترهای ورودی شبکه که با آموزش شبکه به‌روزرسانی می‌شوند، عبارت‌اند از (مرکز تابع عضویت گوسی برای ورودی )، (مرکز تابع عضویت گوسی برای ورودی )، (انحراف از معیار تابع عضویت گوسی برای ورودی ) و (انحراف از معیار تابع عضویت گوسی برای ورودی ).

شکل (2): شبکة عصبی فازی استفاده‌شده به‌عنوان کنترل‌کننده

ابتدا تابع هزینه به‌صورت رابطه (33) تعریف می‌شود

در رابطة (33)، سرعت مرجع و سرعت واقعی موتور است. خطای لایة پنجم از رابطة (34) محاسبه می‌شود.

خطای لایة چهارم از رابطة (35) به دست می‌آید.

خطای لایة سوم از رابطة (36) به دست می‌آید.

خطای لایة دوم برای هرکدام از ورودی ‌ ها از رابطة (37) محاسبه می‌شود.

در روابط (38) تا (43) به‌روزرسانی پارامترهای قسمت مقدم و تالی قواعد فازی بیان شده‌اند که شامل به‌روزرسانی پارامترهای مرکز و عرض تابع گوسی برای هرکدام از ورودی‌ها است ]2[.

گفتنی است در روش آموزش ترکیبی، ابتدا پارامترهای قسمت مقدم با مقادیر اولیه و به‌صورت ثابت در نظر گرفته شده است و سپس تمامی داده‌ها به شبکه اعمال می‌شوند؛ درنهایت پس از محاسبة پارامترهای لایة خروجی، داده‌ها به‌صورت الگو به الگو به شبکه سیگنال های نزولی اعمال می‌شوند و از الگوریتم گرادیان نزولی و با روش پس‌انتشار خطا پارامترهای غیرخطی لایه فازی‌ساز محاسبه می‌شوند.

4- استفاده از شبکة عصبی فازی به‌عنوان کنترل‌کنندة سرعت موتور سنکرون مغناطیس دائم

ساختار درایو استفاده‌شده به‌همراه کنترل‌کنندة عصبی فازی برای کنترل سرعت موتور در شکل (3) نشان داده شده است. شبکة عصبی فازی ابتدا به‌صورت offline و با ترکیب دو روش حداقل مربعات و گرادیان نزولی با روش پس‌انتشار خطا آموزش دیده است و پس از آموزش شبکه و قراردادن آن به‌عنوان کنترل‌کننده در بلوک دیاگرام شکل (3)، سرعت موتور کنترل می‌شود. سیگنال‌های ورودی، کنترل‌کنندة و و سیگنال خروجی کنترل‌کننده یا سیگنال کنترلی است.

شکل(3): ساختار درایو استفاده‌شده

در شکل (3)، ورودی‌های کنترل‌کننده از روابط (44) و (45) به دست سیگنال های نزولی می‌آیند:

در شکل (3)، دو کنترل‌کنندة PI نقش حلقة کنترل جریان را به عهده دارند. اگر جریان ، کنترل‌شده با جریان مرجع صفر در نظر گرفته شود، می‌توان PMSM را به‌صورت کوپل‌شده و همانند یک موتور DC با جریان سیگنال های نزولی کنترل کرد ]20[. در شکل (3) در اینورتر از ماژول‌های IGBT استفاده شده است.

5- شبیه‌سازی

برای شبیه‌سازی از ساختار شکل (3) استفاده شده است. مشخصات موتور سنکرون مغناطیس دائم 4 قطب استفاده‌شده به شرح جدول (1) است ]20[:

افزایش سیگنال های نزولی با افت قیمت بیت کوین (Bitcoin) به ۳۵۰۰۰ دلار و کاهش خرید در کف

بازار کریپتوکارنسی در ۲۸ می با کاهش قیمت بیت کوین (BTC) به ۳۵۱۰۰ دلار و عدم تمایل معامله گران به خرید طی افت قیمت با موج جدیدی از فشار فروش مواجه شد.

علیرغم حرکت های نزولی طی دو هفته گذشته در بازار ، سرمایه گذاران نهادی همچنان به ارزهای دیجیتال متعهد باقی مانده اند ، اما با عدم خرید در افت قیمت معامله گران خرد روند نزولی بیشتری را برای بیت کوین (Bitcoin) پیش بینی می کنند.

نمودار ۴ ساعته BTC / USDT . منبع: TradingView

در حالی که برخی از تحلیلگران احتمال سقوط بیت کوین (Bitcoin) تا ۲۰۰۰۰ دلار را بدترین سناریوی ممکن می دانند ، روند کلی قیمت بیت کوین (BTC) همچنان صعودی است و روند هفتگی کف های بالاتر همچنان بدون تغییر باقی مانده است.

کاهش قیمت آلت کوین ها همراه با بیت کوین (Bitcoin)

قیمت آلت کوین ها نیز روز جمعه به شدت کاهش یافت و عدم اطمینان در بازار در آستانه آخر هفته منجر به کاهش حجم معاملات شد. ریسک گریزی کنونی در بازار از تأثیر اخبار صعودی مانند ادغام مجموعه داده های پالیگان (MATIC) در فناوری گوگل کلاود (Google Cloud) کاسته است.

با وجود افت کلی بازار ، چند توکن توانستند تاحدودی صعود کنند. قیمت هلیوم (HNT) در پی توئیتی که اعلام کرد این پروژه از ۴۵۰۰۰ هات اسپات فعال در سراسر جهان که پوشش بی سیم غیرمتمرکز را برای اینترنت اشیا (IoT) فراهم می کند فراتر رفته ، حدود ۲۸ درصد افزایش یافته و به رکورد جدید ۲۳٫۰۱ دلار رسیده است.

میدسیف کوین (MAID) نیز پس از راه اندازی نسخه دوم شبکه آزمایشی خود ، با صعود ۲۰ درصدی به بالاترین سطح روزانه در ۰٫۵۲ دلار رسید و زی کش (ZEC) نیز حدود ۵ درصد افزایش یافت و اکنون با قیمت ۱۵۹ دلار معامله می شود.

عملکرد روزانه بازار کریپتوکارنسی. منبع: Coin360

در حال حاضر ارزش کل بازار کریپتوکارنسی ۱٫۵۶۷ تریلیون دلار و نرخ تسلط بیت کوین ۴۲٫۸ درصد است.

جولان سیگنال‌های نزولی در بازار بیت کوین!

کی یانگ جو (Ki Young Ju)، مدیرعامل شرکت CryptoQuant، در توییت جدید خود گزارش داده که ۱۵ هزار بیت کوین ۸ ساله در ۱۰ روز گذشته منتقل و برخی از آنها به صرافی رمزارزی کراکن ارسال شده‎اند.
تحلیلگران این شرکت همچنین اعلام کرده‌اند که قبل از افت امروز قیمت بیت کوین، فعالیت نهنگ‌ها به شدت افزایش یافته و نهنگ‌های زیادی اقدام به ارسال بیت‌ کوین‌های خود به صرافی‌ها کرده‌اند. البته به گفته تحلیلگران، اگرچه این موضوع نگران‌کننده است، اما در بازارهای خرسی امری معمول است.
در گزارش ماه آگوست نیز، این شرکت تحلیلی خاطرنشان کرده بود که جابه‌جایی بیت کوین‌های قدیمی معمولا یک سیگنال نزولی است.
لازم به ذکر است که بیت کوین اخیرا تحت فشار فروش قابل‌توجهی بوده است. یکی از بزرگترین نهنگ‌های بیت کوین، روز دوشنبه بیش از ۲۰۰ هزار بیت کوین را به صرافی‌ها فرستاد. علاوه بر این، نهنگ دیگری در همان روز ۵ هزار بیت کوین ۹ ساله را به کراکن ارسال کرد. در همین حال، ماینرها نیز همچنان در حال تخلیه دارایی‌های خود هستند و در عرض ۷۲ ساعت، بیش از ۴ هزار بیت کوین فروخته‌اند.
با توجه به همه سیگنال های نزولی این عوامل، تحلیلگران CryptoQuant پیش‌بینی می‌کنند که قیمت بیت کوین می‌تواند تا محدوده ۱۴،۴۷۸ دلار سقوط کند. در زمان انتشار این خبر، بیت کوین با یک افت ۵٫۳۶ درصدی نسبت به روز گذشته، در محدوده قیمتی ۱۸،۸۱۰ دلار معامله می‌شود و میزان تسلط آن هم به پایین‌ترین سطح ۴ ساله خود در ۳۸٫۳ درصد رسیده است.

معرفی پنج الگوی شمعی نزولی که هر معامله‌گری باید با آنها آشنایی داشته باشد!

بسیاری از معامله گران دوست دارند که از هر دو روند صعودی و نزولی دارایی خود استفاده کنند. اما برای این منظور باید از سیگنال های مثبت و منفی موجود در الگوهای شمعی مختلف آگاهی داشت.

دانستن نحوه تفسیر نمودارهای شمعی، سیگنال هایی را توسط شاخص های مختلف تحلیلی ارائه می دهد که از آن طریق می توان فهمید دارایی دیجیتال شما ممکن است چه مسیری را در ادامه طی کند.

قبلا در گزارشی به پنج الگوی نزولی نمودارهای شمعی اشاره کرده بودیم و حال در این مطلب، پنج الگوی سیگنال های نزولی شمعی نزولی دیگر را که هر معامله گر باید با آنها آشنایی داشته باشد، به شما معرفی می کنیم.

الگوی انبرک بالایی یا قله (Tweezer Top)

این الگو نیز مانند الگوی Tweezer Bottom، نشان دهنده احتمال معکوس شدن روند است و در واقع نشان دهنده اتمام فشار خرید و نزدیک شدن یک روند نزولی می باشد.

در این الگوی هر دو شمعدان دارای رنگ های بالا و متناوب هستند. شمع سمت چپ آن سبز است و ادامه روند صعودی است و شمع بعد از آن، قرمز بوده که نشان دهنده ضعف بازار است.

اغلب اوقات طول بدنه هر دو شمع یکسان است، اما تایید و اطمینان بیشتر هنگامی حاصل می شود که بدنه شمع اول (شمع سبز سمت چپ) از شمع سمت راست بلندتر باشد.

در هنگام مشاهده این الگو، معامله گران معمولا بررسی می کنند که آیا وقوع این الگو با یک بازار افزایشی مطابقت دارد و یا رسیدن به یک سطح مقاومت کلیدی.

الگوی سه اهرم سیاه (Three Black Crows)

الگوی Three Black Crows که در برخی منابع با نام سه کلاغ سیاه نیز ذکر شده، در مقابل الگوی سه سرباز سفید است. سیگنال های این الگو نشان دهنده شکل گیری یک روند معکوس قوی است و بوسیله سه شمع بلند نزولی تایید می شود.

همانطور که در نمودار بالا نمایان است، سطح باز شدن قیمت در هر شمع بالاتر از سطح بسته شدن شمع قبلی است. اما سطحی که شمع بسته می شود پایین تر از سطح بسته شدن سیگنال های نزولی شمع قبلی خواهد بود. برای تایید این الگو، سطوح باز شدن دو شمع آخر باید در داخل بدنه شمع قبلی باشند، اما در سطح پایین تر از شمع قبلی بسته شوند.

سه شمع درونی نزولی (Three Inside Down)

الگوی Three Inside Down را می توان درست در انتهای یک روند صعودی دید و نشان می دهد که یک وارونگی روند در حال شکل گیری است. شمع اول دارای بدنه ای بلند و افزایشی (سبز) است که در بالای یک روند صعودی تشکیل می شود. شمع بعدی در وسط بدنه شمع اول قرار می گیرد.

شمع سوم باید پایین تر از بدنه اولین شمع بسته شود که این تایید می کند فروشندگان کنترل قیمت دارایی را در دست گرفته اند و روند نزولی خواهد شد. جای منتظر ماندن برای شمع سوم که تائیدیه این الگو است، بسیاری از معامله گران به شمع وسطی که درون بدنه شمع اول قرار می گیرد را به عنوان نشانه ای از احتیاطی تفسیر می کنند و می گویند که قیمت می تواند روند معکوس داشته باشد.

معامله گران از شاخص های دیگری مثل میانگین متحرک همگرایی واگرایی (MACD)، شاخص مقاومت نسبی (RSI) و میانگین متحرک نمایی نیز برای تشخیص این که روند صعودی در حال اتمام است یا خیر، استفاده می کنند.

مسدود کننده پیشرفت نزولی (Bearish Advance Block)

الگوی Bearish Advance Block غالباً در نمودارهای عملکرد قیمت ارزهای دیجیتال ظاهر می شود و از جمله الگوهایی است که همه معامله گران باید با آن آشنا شوند.

به طور خلاصه، این الگو ضعف یک روند صعودی را نشان می دهد، زیرا قیمت همچنان افزایش می یابد، اما بدنه هر شمع کوتاه و کوتاه تر می شود که این نشان دهنده کند شدن حرکت و افزایش سیگنال های نزولی تردید معامله گران است.

همانطور که در نمودار نیز نمایان است، به نظر می رسد که خریداران سبب شده اند تا فتیله هر شمع بلندتر از قبلی باشد و سطح بسته شدن هر شمع بالاتر از شمع قبلی است. اما نشانه‌ این امر این است که با کوتاه تر شدن بدنه هر شمع، فتیله هر شمع بلندتر و بلندتر می شود. فاصله بین بسته شدن هر شمع نیز با شمع قبلی کمتر می شود.

الگوی Bearish Breakaway

الگوی Bearish Breakaway یک سیگنال روند معکوس کوتاه مدت است که با یک شمع بلند صعودی شروع می شود. یک فاصله بین شمع اول و شمع دوم به سمت بالا تا شمع سوم و چهارم مشاهده می شود.

از نظر معامله گران، روند صعودی پس از فاصله شمع دوم ادامه می یابد، اما کوتاه بودن بدنه شمع سوم و چهارم و بلندتر بودن فتیله های پایینی آنها نشان می دهد که روند صعودی قدرت خود را از دست می دهد.

شمع پنجم و آخرین، شمعی بلند و نزولی است که تمام افزایش قیمت سه شمع آخر را جبران کرده و کمی پایین تر از فاصله ایجاد شده بین شمع های اول و دوم، بسته می شود.

2 سیگنال نزولی به بورس /حقیقی ها ناامید شدند

شاخص کل بورس دوباره به پایین ترین اعداد در کانال 1.5 میلیون واحد رسیده و احتمال از دست رفتن این کانال زیاد است.

به گزارش اقتصادنیوز، بورس تهران در شرایطی که شاخص کل آن به عدد یک میلیون و 502 هزار واحد رسیده، به استقبال معاملات روز شنبه می رود. شاخص کل مدتی است که در پایین ترین اعداد در کانال 1.5 میلیون واحدی قرار دارد و تا به حال دو بار توانسته از شکسته شدن این کانال به سمت پایین فرار کند.

اما روند معاملات و بررسی شاخص های مختلف بورس تهران نشان می دهد احتمال از دست رفتن این کانال زیاد است. کم شدن ارزش معاملات و خروج پی در پی نقدینگی حقیقی ها دو عامل بسیار مهم هستند که در خلاف جهت مثبت حرکت می کنند ادامه دار بودن این وضعیت، نوید افت مجدد شاخص کل را می دهد.

حقیقی ها امیدی به بورس ندارند

در روزهایی که حقیقی ها اصرار بر خروج پول خود از بورس دارند، حقوقی ها مجبور به خرید سهام حقیقی ها می شوند اما توان حقوقی ها هم تا یک جایی ادامه خواهد داشت و پس از آن حمایت از نمادها کم رنگ می شود و افت قیمت سهام رخ می دهد.

حقیقی ها در روز چهارشنبه گذشته 360 میلیارد تومان پول از بازار خارج کردند. این در حالی است که در روز سه شنبه 200 میلیارد تومان پول از بازار خارج شده بود. اثر این موضوع زمانی جدی تر گرفته می شود که بدانیم حقیقی ها در سه هفته متوالی در حال خروج پول از بازار بوده اند و طی این سه هفته، بورس نه تنها رشد نکرده بلکه با شیب ملایم در حال افت بوده است.

از طرفی ارزش معاملات هم به عددهای بسیار پایینی رسیده که نگران کننده است. روز چهارشنبه ارزش معاملات خرد به کمتر از 3200 میلیارد تومان رسید و در همین هفته گذشته، رکورد کاهش ارزش معاملات خرد در سال 1401 شکسته شد.

رکود ناشی از افت ارزش معاملات

کم شدن ارزش معاملات بورس نشان دهنده رکودی عمیق در بازار سهام است و تا زمانی که ارزش معاملات به صورت متوالی رشد نکند، نمی توان انتظار رشد از قیمت ها و شاخص ها را داشت.

با این توصیف، برای بازار امروز هم افت قیمت سهام البته با شیب کم پیش بینی می شود. شاخص ها هم گرچه نوسان کمی در مدت اخیر داشته اند و رشد و افت آن ها بسیار کوچک بوده، اما همچنان میل به کاهش دارند.