روش‌های ICT و SMC در سال‌های اخیر محبوبیت زیادی پیدا کرده‌اند و همراه آن، یک مشکل جدی: تفسیر سلیقه‌ای. دو تحلیلگر روی یک نمودار، دو بلوک سفارش متفاوت می‌بینند و هیچ‌کدام نمی‌تواند ثابت کند درست می‌گوید.
این مشکل، فنی نیست؛ روش‌شناختی است. و دقیقاً همان جایی است که هوش مصنوعی می‌تواند کمک کند — نه با تحلیل بهتر، بلکه با اجرای ثابت یک چارچوب مشخص.
چرا تعریف عملیاتی لازم است
اگر از یک مدل زبانی بخواهید «بلوک سفارش را پیدا کن»، بر اساس تعریف مبهمی عمل می‌کند که از داده آموزشی پراکنده و اغلب متناقض آمده است. خروجی هر بار متفاوت خواهد بود.
اما اگر در پرامپت بنویسید: «بلوک سفارش صعودی: آخرین کندل نزولی پیش از حرکت صعودی تکانه‌ای که ساختار را می‌شکند» — حالا یک معیار عینی دارید و خروجی قابل تکرار می‌شود.
همین منطق برای همه مفاهیم صدق می‌کند:
شکاف ارزش منصفانه صعودی: الگوی سه کندلی که در آن لوی کندل سوم بالاتر از های کندل اول است.
شکست معتبر: بسته شدن کندل فراتر از سطح، نه لمس یا سایه. این یک تعریف است، نه تنها تعریف ممکن — اما وقتی انتخابش کردید، باید همیشه همان باشد.
سقف نوسانی: کندلی که حداقل دو کندل قبل و دو کندل بعد از آن، های پایین‌تری دارند.
تفاوت BOS و CHoCH فقط در جهت نسبت به روند غالب است — که یعنی ابتدا باید روند غالب را با تعریف عینی مشخص کنید، نه با نگاه کردن.
ترتیب اجباری
دومین عنصر کلیدی، ترتیب است. در ICT، ترتیب منطقی چنین است:
ابتدا سوگیری تایم‌فریم بالا و هدف نقدینگی احتمالی. سپس نقشه نقدینگی: کدام سطوح هنوز برداشته نشده‌اند. سپس بررسی اینکه آیا شکار نقدینگی رخ داده. سپس تأیید تغییر ساختار. و در نهایت، ناحیه ورود در محدوده مناسب.
اهمیت این ترتیب در جایی است که وقتی مرحله‌ای محقق نشده، فرایند باید متوقف شود. اگر شکار نقدینگی رخ نداده، رفتن به دنبال ناحیه ورود بی‌معنی است.
یک پرامپت خوب این توقف را اجباری می‌کند: «اگر مرحله سوم یا چهارم محقق نشده، صریح بنویس ستاپ کامل نیست و ادامه نده». همین یک قید، بیشتر از هر چیز دیگری از ورودهای بی‌جا جلوگیری می‌کند — چون رایج‌ترین خطا این است که معامله‌گر ناحیه ورود جذابی می‌بیند و مراحل قبلی را نادیده می‌گیرد.
امتیازدهی به‌جای برچسب‌زنی
در روش‌های مبتنی بر عرضه و تقاضا — چه SMC و چه RTM — همه سطوح یکسان نیستند. تفاوت بین یک سطح باکیفیت و یک سطح بی‌ارزش، معمولاً همان چیزی است که نتیجه معامله را تعیین می‌کند.
به‌جای اینکه صرفاً بگویید «اینجا یک ناحیه تقاضاست»، می‌توانید سیستم امتیازدهی تعریف کنید: قدرت حرکت خروج از ناحیه، زمان سپری‌شده در ناحیه، تعداد برخوردهای قبلی، فاصله تا نقدینگی مقابل، و همسویی با تایم‌فریم بالاتر.
نتیجه، یک نمره قابل مقایسه است. و وقتی نمره دارید، می‌توانید آستانه تعیین کنید: زیر این نمره، وارد نمی‌شوم. این، تصمیم سلیقه‌ای در لحظه را حذف می‌کند.
نحوه دادن داده
این نکته عملی مهم است: داده کندل‌ها را به‌صورت متنی بدهید، نه تصویر چارت.
مدل‌های چندوجهی می‌توانند تصویر چارت را ببینند اما دقتشان در خواندن سطوح دقیق پایین است. در مقابل، اگر داده OHLC چند کندل اخیر را به‌صورت متنی بدهید، مدل می‌تواند محاسبات دقیق انجام دهد و تعاریف را به‌درستی اعمال کند.
برای تحلیل چندتایم‌فریم، داده هر سه تایم‌فریم را جداگانه و با برچسب مشخص بدهید.
آنچه به دست می‌آورید و آنچه نمی‌آورید
آنچه به دست می‌آورید: ثبات. تحلیل امروز با همان معیارهای تحلیل ماه گذشته انجام می‌شود. این یعنی می‌توانید خروجی‌ها را ثبت کنید و بعداً بسنجید که کدام نوع ستاپ واقعاً برای شما کار کرده است.
آنچه به دست نمی‌آورید: دقت بالاتر در پیش‌بینی. هیچ چارچوبی، هرچقدر هم منضبط، بازار را قابل پیش‌بینی نمی‌کند. ICT و SMC روش‌های خوانش ساختارند، نه سیستم‌های پیش‌بینی — و هوش مصنوعی این واقعیت را تغییر نمی‌دهد.
نکته‌ای درباره اعتبارسنجی
اگر این چارچوب را پیاده کردید، یک کار مهم باقی می‌ماند: ثبت خروجی‌ها و مقایسه با نتیجه واقعی.
پس از پنجاه تحلیل، می‌توانید بپرسید: ستاپ‌هایی که نمره بالا گرفتند، واقعاً عملکرد بهتری داشتند؟ اگر پاسخ منفی است، سیستم امتیازدهی شما معیارهای بی‌ربطی دارد و باید بازنگری شود.
این حلقه بازخورد، تنها راهی است که یک چارچوب تحلیلی از یک عقیده به یک ابزار تبدیل می‌شود. و بدون ثبات در اجرا — که همان چیزی است که هوش مصنوعی فراهم می‌کند — این حلقه اصلاً شکل نمی‌گیرد.