Quali input utilizza il Trend Multi Timeframe?
Cosa utilizza come input il “Trend Multi Timeframe”
Il Trend Multi Timeframe (MTT) è un approccio basato sul bias di trend che forma un quadro decisionale utilizzando più timeframe invece di affidarsi a un singolo timeframe. In termini semplici, gli “input” sono i dati e le impostazioni utilizzate per (1) determinare la direzione del trend su ogni timeframe e (2) combinare queste direzioni in un unico bias di livello superiore.
Poiché diverse piattaforme e fornitori implementano il MTT in modi diversi, l’elenco esatto degli input va considerato “dipendente dalle regole specifiche”. Questo articolo descrive le categorie comuni e stabili di input che puoi verificare nella tua implementazione.
Meccanismo e definizione: categorie comuni di input
Il MTT parte generalmente da queste categorie di input.
- Dati dei prezzi (il dataset grezzo)
- Serie di prezzi di mercato come apertura, massimo, minimo, chiusura (OHLC) e/o una serie derivata (ad esempio, medie derivate da quei prezzi).
- La fonte della serie è importante: alcuni sistemi calcolano indicatori dalle stesse candele visualizzate; altri possono utilizzare feed interni o costruzioni leggermente diverse delle candele. Anche se vedi le stesse etichette di timeframe, le barre esatte possono differire.
- Selezione dei timeframe (quali grafici utilizzare)
- Almeno due timeframe: un timeframe “superiore” che rappresenta la struttura generale del mercato e un timeframe “inferiore” che rappresenta il timing o la conferma.
- La coppia specifica di timeframe (ad esempio, qualsiasi combinazione superiore/inferiore) è un parametro di input che può cambiare sostanzialmente il comportamento.
- Metodo di definizione del trend (come viene misurato il “trend”)
- Molte implementazioni definiscono la direzione del trend applicando una tecnica di misurazione del trend ai dati di prezzo di ciascun timeframe.
- I metodi comuni includono: confronto tra medie mobili, valutazione se il prezzo è costantemente sopra/sotto un riferimento, o stima del bias direzionale usando regole di pendenza/struttura.
- Il metodo scelto diventa un input chiave perché cambia ciò che qualifica come “rialzista” o “ribassista”.
- Soglie e parametri (le impostazioni della regola)
- Se la definizione del trend utilizza delle soglie, queste sono input. Esempi di tipi di parametri includono la lunghezza del lookback per la misura del trend utilizzata, la lunghezza di smoothing e qualsiasi condizione di “buffer”.
- Questi parametri sono solitamente numeri interi o decimali all’interno della regola, e modificarli può invertire le classificazioni.
- Logica di combinazione (come più timeframe diventano un unico bias)
- Gli input includono anche la regola decisionale per combinare i risultati: ad esempio, se il timeframe inferiore deve essere in accordo con quello superiore, o se un disaccordo annulla il bias.
- Alcune regole richiedono “allineamento” tra entrambi i timeframe; altre danno più peso a un timeframe rispetto all’altro.
Evidenza o esempio: cosa elencare quando verifichi gli input
Un modo pratico per descrivere gli input del MTT è elencarli come checklist. Ecco un modello autonomo che puoi adattare (senza assumere i valori predefiniti di una piattaforma specifica).
Supponiamo:
- Vengano utilizzati due timeframe: timeframe superiore H e timeframe inferiore L.
- La direzione del trend su ciascun timeframe è determinata confrontando una misura di riferimento del trend.
- Il sistema genera un bias solo quando H e L coincidono.
Allora il tuo elenco di input dovrebbe includere esplicitamente:
- Dati: serie OHLC utilizzata per H e L (e le assunzioni su fuso orario/sessione se il tuo grafico le utilizza).
- Timeframe: la selezione esatta di H e L.
- Misura del trend: il metodo utilizzato su ciascun timeframe (ad esempio, confronto tra medie mobili o regola strutturale).
- Parametri del trend: valori di lookback/smoothing/soglia.
- Regola di combinazione: se richiede accordo (H rialzista E L rialzista) o permette accordo parziale.
Anche senza prezzi in tempo reale, puoi verificare autonomamente gli input ripetendo le stesse impostazioni fisse sui dati storici e controllando se la classificazione corrisponde alla logica descritta.
Limitazioni e rischi: modalità di errore rilevanti
I maggiori rischi del MTT derivano da discrepanze tra gli input ipotizzati e quelli effettivamente calcolati.
- Cambiamenti di regime: un mercato può passare da trend a laterale (o viceversa). Quando le definizioni di trend si basano sulla continuità storica, le classificazioni possono ritardare.
- Differenze nei dati e nella costruzione delle candele: due implementazioni possono etichettare i timeframe allo stesso modo ma calcolare candele leggermente diverse, producendo misurazioni del trend differenti.
- Sensibilità ai parametri: le lunghezze di lookback, le soglie e la logica di allineamento possono cambiare sostanzialmente i periodi che qualificano come “trend”.
- Ritardo di conferma: richiedere l’allineamento di più timeframe spesso riduce il rilevamento precoce ma può ridurre i falsi positivi in alcuni regimi; il compromesso non è universale.
Una limitazione che vale per ogni calcolo o esempio: le relazioni storiche non garantiscono risultati futuri. Inoltre, i risultati variano in base alle condizioni di mercato, ai costi, all’esecuzione e alla giurisdizione, anche quando gli input sono identici.