Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

https://github.com/cerebrux/dcai

DCAi: Machine Learning Based DCA Strategy
https://github.com/cerebrux/dcai

adaptive ai asset-management dca k-nn lorentzian-classification machine-learning

Last synced: 2 days ago
JSON representation

DCAi: Machine Learning Based DCA Strategy

Awesome Lists containing this project

README 

          
# DCAi: Στρατηγική DCA με Μηχανική Μάθηση



**Γλώσσες:** [English](README.md) | [Ελληνικά](README.el.md)





  DCAi Logo




---



**Αφιερωμένο στους μακροπρόθεσμους επενδυτές:**



> *We don’t panic sell... we DCA the dips so hard they file a class‑action restraining order.*



[![Donate](https://img.shields.io/badge/Donate-Support%20DCAi-brightgreen)](https://donate.utappia.org/)

[![Contribute your Settings](https://img.shields.io/badge/Contribute-Share%20Settings-purple)](https://github.com/cerebrux/DCAi/discussions)

![License: AGPL v3](https://img.shields.io/badge/License-AGPL%20v3-blue.svg)

![Pine Script](https://img.shields.io/badge/Pine%20Script-v6.0-green.svg)



---

## Σύνοψη

Το **DCAi** είναι ένα πλαίσιο για Dollar-Cost Averaging που βασίζεται σε Μηχανική Μάθηση. Συνδυάζει αναγνώριση προτύπων αλγορίθμου **K-Nearest Neighbors (KNN)** με μια δυναμική μηχανή αποφάσεων τριών επιπέδων (Pullback, Oversold, Fear).



Χρησιμοποιεί ένα **Savings Pot** (συσσώρευση κεφαλαίου) και εκθετική κλιμάκωση θέσης (**ρ {Rho}**). Οι αγορές ενεργοποιούνται μέσω πιθανοθεωρητικής αναγνώρισης προτύπων με ελεγχόμενα κατώφλια εμπιστοσύνης.



Η στρατηγική προσαρμόζεται αυτόματα για τέσσερις κατηγορίες περιουσιακών στοιχείων (**Crypto, Stocks, Indices, Commodities**), τροποποιώντας τα όρια εισόδου και το μέγεθος θέσης ώστε να ταιριάζουν με τα χαρακτηριστικά μεταβλητότητας της κάθε αγοράς.



---



![DCAi](images/btcusdc-scrnsht-dcai.png)



---



## Πίνακας Περιεχομένων



1. [Η Αναποτελεσματικότητα του Στατικού DCA](#1-η-αναποτελεσματικότητα-του-στατικού-dca)

   - [Πρόβλημα 1: Σπατάλη Κεφαλαίου Κατά τη Διάρκεια Ανοδικών/Πλευρικών Αγορών](#πρόβλημα-1-σπατάλη-κεφαλαίου-κατά-τη-διάρκεια-ανοδικώνπλευρικών-αγορών)

   - [Πρόβλημα 2: Ομοιόμορφο Μέγεθος Θέσης Αγνοεί τη Μεταβλητότητα](#πρόβλημα-2-ομοιόμορφο-μέγεθος-θέσης-αγνοεί-τη-μεταβλητότητα--αποκλίσεις-τιμών)

   - [Πρόβλημα 3: Εξάντληση Κεφαλαίου σε Παρατεταμένες Αγορές Αρκούδας](#πρόβλημα-3-εξάντληση-κεφαλαίου-σε-παρατεταμένες-αγορές-αρκούδας)



2. [Βασική Αρχιτεκτονική](#2-βασική-αρχιτεκτονική)

   - [2.1 Μηχανή Μηχανικής Μάθησης (KNN)](#21-μηχανή-μηχανικής-μάθησης-knn)

     - [2.1.1 Πώς Λειτουργεί](#211-πώς-λειτουργεί)

     - [2.1.2 Τεχνική Σύνοψη](#212-τεχνική-σύνοψη)

   - [2.2 Προσαρμοστική Ευαισθησία Περιουσιακών Στοιχείων](#22-προσαρμοστική-ευαισθησία-περιουσιακών-στοιχείων)

     - [2.2.1 Η Παράμετρος Rho (ρ)](#221-η-παράμετρος-rho-ρ)

     - [2.2.2 Προσαρμοστικά Κατώφλια ανά Κατηγορία Περιουσιακών Στοιχείων](#222-προσαρμοστικά-κατώφλια-ανά-κατηγορία-περιουσιακών-στοιχείων)

   - [2.3 Quick Reference](#23-quick-reference)



3. [Λογική Μηχανής Αποφάσεων](#3-λογική-μηχανής-αποφάσεων)



4. [Χρηματοοικονομική Μηχανική & Προϋπολογισμός](#4-χρηματοοικονομική-μηχανική--προϋπολογισμός)

   - [4.1 Έξυπνος Προϋπολογισμός (Το Savings Pot)](#41-έξυπνος-προϋπολογισμός-το-savings-pot)

   - [4.2 Δυναμικό Μέγεθος Θέσης](#42-δυναμικό-μέγεθος-θέσης)



5. [Συγκριτική Ανάλυση: Πλεονεκτήματα & Μειονεκτήματα](#5-συγκριτική-ανάλυση-πλεονεκτήματα--μειονεκτήματα)

   - [5.1 Πλεονεκτήματα του DCAi](#51-πλεονεκτήματα-του-dcai)

   - [5.2 Περιορισμοί & Κίνδυνοι](#52-περιορισμοί--κίνδυνοι)



6. [Μελλοντική Έρευνα & Χάρτης Πορείας](#6-μελλοντική-έρευνα--χάρτης-πορείας)



7. [Ρυθμίσεις & Παράμετροι](#7-ρυθμίσεις--παράμετροι)

   - [7.1 Επιλογή Περιουσιακών Στοιχείων & Αυτόματη Βελτιστοποίηση](#71-επιλογή-περιουσιακών-στοιχείων--αυτόματη-βελτιστοποίηση)

   - [7.2 Ρυθμίσεις Μηχανικής Μάθησης (KNN)](#72-ρυθμίσεις-μηχανικής-μάθησης-knn)

   - [7.3 Χρηματοοικονομικές Παράμετροι (Προϋπολογισμός)](#73-χρηματοοικονομικές-παράμετροι-προϋπολογισμός)

   - [7.4 Τεχνική Επιβεβαίωση (Filtering)](#74-τεχνική-επιβεβαίωση-filtering)

   - [7.5 Παραδείγματα Ρυθμίσεων](#75-παραδείγματα-ρυθμίσεων)

   - [7.6 Οδηγός Παραμετροποίησης & Βελτιστοποίησης](#76-οδηγός-παραμετροποίησης--βελτιστοποίησης)

   - [7.7 Αλληλεπιδράσεις Παραμέτρων & Εξαρτήσεις](#77-αλληλεπιδράσεις-παραμέτρων--εξαρτήσεις)

   - [7.8 Community Settings & Contributions](#78-community-settings--contributions)



8. [Συχνές Ερωτήσεις (FAQ)](#8-συχνές-ερωτήσεις-faq)



9. [Βιβλιογραφία & Ακαδημαϊκή Βάση](#9-βιβλιογραφία--ακαδημαϊκή-βάση)



10. [Αποποίηση Ευθύνης & Προειδοποίηση Κινδύνου](#10-αποποίηση-ευθύνης--προειδοποίηση-κινδύνου)



---



## 1. Η Αναποτελεσματικότητα του Απλού DCA

Η παραδοσιακή στρατηγική της Στάθμισης Μέσου Κόστους (Dollar-Cost Averaging - DCA) είναι μια παθητική στρατηγική στην οποία πραγματοποιούνται αγορές σε τακτά διαστήματα, ανεξαρτήτως της τιμής του περιουσιακού στοιχείου. Αν και η προσέγγιση εξαλείφει την ανάγκη για χρονισμό της αγοράς (market timing), μειώνοντας το συναισθηματικό ρίσκο που συχνά οδηγεί τους επενδυτές σε λανθασμένες αποφάσεις, παρουσιάζει σημαντικές εγγενείς ανεπάρκειες:



### Πρόβλημα 1: Σπατάλη Κεφαλαίου κατά τη Διάρκεια Πλευρικών/Ανοδικών Αγορών

Το απλό DCA διαθέτει ολόκληρο τον μηνιαίο προϋπολογισμό σε κάθε περίοδο, ανεξάρτητα από την κατάσταση της αγοράς. Σε bull market ή πλάγιες κινήσεις, αυτό σημαίνει ότι επενδύει σε προοδευτικά υψηλότερες τιμές και απώλεια ευκαιριών για μεγαλύτερη κατανομή κατά τη διάρκεια μεγάλων υποχωρήσεων (drawdowns).



**Μηχανισμός DCAi** (βλ. **Ενότητα 4.1: Savings Pot**): Αντί για αναγκαστική μηνιαία τοποθέτηση, το DCAi συσσωρεύει το μη χρησιμοποιημένο κεφάλαιο σε ένα **Savings Pot**. Όταν η μηχανή ML ανιχνεύσει σήμα αντιστροφής, μπορεί να αναπτύξει αυτό το απόθεμα παράλληλα με τον βασικό προϋπολογισμό.



---



### Πρόβλημα 2: Σταθερό Μέγεθος Θέσης Αγνοεί τη Μεταβλητότητα και τις Τιμές



Το απλό DCA επενδύει το ίδιο χρηματικό ποσό κάθε μήνα, είτε το περιουσιακό στοιχείο διαπραγματεύεται κοντά στα ιστορικά χαμηλά είτε στα ιστορικά υψηλά του. Αυτό δημιουργεί μια *αντίστροφη* σχέση μεταξύ αναμενόμενης απόδοσης και ανάπτυξης κεφαλαίου. Ενώ το στατικό DCA αγοράζει μαθηματικά περισσότερες μονάδες, αποτυγχάνει να αυξήσει την κατανομή κεφαλαίου σε παραστατικό νόμισμα (Fiat) κατά τη διάρκεια μεγάλων εκπτώσεων, αντιμετωπίζοντας μια πτώση -5% και μια κατάρρευση -50% με την ίδια χρηματοοικονομική επείγουσα ανάγκη.



**Μηχανισμός DCAi** (βλ. **Ενότητα 4.2: Δυναμικό Μέγεθος Θέσης**): Το DCAi χρησιμοποιεί **Αντίστροφη Στάθμιση Τιμής** με μια εκθετική παράμετρο **ρ (Rho)**. Καθώς η τιμή πέφτει σε σχέση με τον ιστορικό μέσο όρο, το μέγεθος της αγοράς αυξάνεται *εκθετικά*. Η τιμή ρ προσαρμόζεται αυτόματα ανά κατηγορία περιουσιακού στοιχείου (Crypto: 1.7, Stocks: 2.0, Indices: 2.5).



---



### Πρόβλημα 3: Εξάντληση Κεφαλαίου στις Παρατεταμένες Bear Market



Το απλό DCA δεσμεύει προκαταβολικά όλο το κεφάλαιό σας βάσει ενός αυστηρού χρονοδιαγράμματος. Σε μακροχρόνιες πτωτικές αγορές, αυτό αφήνει ελάχιστο κεφάλαιο για να εκμεταλλευθείτε τις ακόμα μεγαλύτερες πτώσεις που μπορεί να ακολουθήσουν.



**Μηχανισμός DCAi** (βλ. **Ενότητα 4.1 & 3**): Το Savings Pot διατηρεί κεφάλαιο κατά τις περιόδους χωρίς σήματα. Το πολυεπίπεδο σύστημα αποφάσεων (Tier 1 Pullback < Tier 2 Oversold < Tier 3 Fear) χρησιμοποιείται για να περιορίσει τις αγορές όταν η εμπιστοσύνη της μηχανικής μάθησης είναι χαμηλή και να συγκεντρώσει το κεφάλαιο για τις ισχυρές αντιστροφές.



---



## 2. Βασική Αρχιτεκτονική



### 2.1 Μηχανή Μηχανικής Μάθησης (KNN)



#### 2.1.1 Πώς Λειτουργεί

Το DCAi ψάχνει ιστορικά δεδομένα τιμών για να εντοπίσει προηγούμενες συν θήκες που μοιάζουν με τις τρέχουσες. Ο αλγόριθμος σαρώνει ένα παράθυρο παρελθόντος δεδομένων για να βρει τις **K** πιο παρόμοιες στιγμές και ελέγχει τι συνέβη μετά (αν η τιμή ανέβηκε ή συνέχισε να πέφτει).



Η **παράμετρος K** ελέγχει πόσα ιστορικά παραδείγματα θα εξεταστούν. K=5 σημαίνει "βρες τις 5 πιο παρόμοιες καταστάσεις". Αν οι 4 από τις 5 οδήγησαν σε αύξηση τιμής, η εμπιστοσύνη είναι 80%. Υψηλότερες τιμές K απαιτούν μεγαλύτερη ιστορική συμφωνία πριν την ενεργοποίηση αγοράς.



**Τα Τρία Χαρακτηριστικά της Αγοράς (Features of L-KNN):**



1. **Money Flow Index (MFI)** — Μετρά την πίεση αγορών/πωλήσεων σε κλίμακα 0-100.

2. **Rate of Change (ROC)** — Παρακολουθεί την ταχύτητα της μεταβολής της τιμής. Αρνητικές τιμές δηλώνουν πτώση.

3. **Average True Range (ATR)** — Ποσοτικοποιεί το μέγεθος της μεταβλητότητας.



**Lorentzian Distance:**

Σε αντίθεση με την Ευκλείδεια απόσταση, η **Lorentzian Distance** χρησιμοποιεί λογαριθμική κλίμακα ώστε να ταιριάζει τα πρότυπα με βάση τη μορφή και την κατεύθυνση και όχι το απόλυτο μέγεθος. Αυτό το κάνει πιο ανθεκτικό στα χρηματοοικονομικά δεδομένα.



#### 2.1.2 Τεχνική Σύνοψη



* **Μοντέλο**: Ταξινομητής K-Nearest Neighbors (KNN) χωρίς παραμέτρους

* **Χαρακτηριστικά**: MFI, ROC, ATR κανονικοποιημένα σε εκατοστημόρια.

* **Μετρική Απόστασης**: Lorentzian Distance (με λογαριθμική απόσβεση).

* **Εμπιστοσύνη**: Η πιθανότητα του μαθησιακού μοντέλου (0-100%) ελέγχει τα σήματα αγοράς και κλιμακώνει το μέγεθος της αγοράς (θέσης)



### 2.2 Προσαρμοστική Ευαισθησία Περιουσιακών Στοιχείων



#### 2.2.1 Η Παράμετρος Rho (ρ)



Το Rho καθορίζει πόσο αυξάνεται το μέγεθος της θέσης σας καθώς η τιμή πέφτει κάτω από τον ιστορικό μέσο όρο.



| Πτώση Τιμής | Rho = 1.7 (Crypto Default) | Rho = 2.5 (Index Default) |

|:---|:---|:---|

| 0% (at average) | €50 | €50 |

| -10% | €60 | €65 |

| -25% | €85 | €110 |

| -40% | €140 | €220 |

| -60% | €300 | €580 |



#### 2.2.2 Προσαρμοστικά Κατώφλια ανά Κατηγορία Περιουσιακών Στοιχείων

Τα κατώφλια MFI διαφέρουν ανά asset class:



| Asset Class | MFI Target Min | MFI Target Max | Sensitivity (ρ) |

| :--- | :--- | :--- | :--- |

| **Crypto** | 0 | 35 | 1.7 |

| **Stocks** | 0 | 55 | 2.0 |

| **Indices** | 30 | 48 | 2.5 |

| **Commodities** | 35 | 50 | 2.5 |



---



#### 2.3 Quick Reference



| Parameter | Function | Default |

|:---|:---|:---|

| **K-Neighbors** | Αριθμός ιστορικών καταστάσεων για σύγκριση | 5 |

| **Lorentzian Distance** | Pattern matching μέσω log-scaled shape recognition | Πάντα ενεργό |

| **MFI** | Πίεση αγορών/πωλήσεων (0-100 κλίμακα) | <35 υπερπώληση |

| **ROC** | Ταχύτητα τιμής (αρνητικό = πτώση) | Αρνητικές τιμές |

| **ATR** | Μέγεθος μεταβλητότητας | Υψηλό = ευκαιρία |

| **Rho (ρ)** | Εκθετική κλιμάκωση μεγέθους θέσης | 1.7-2.5 ανά περιουσιακό |

| **ML Confidence** | Πιθανότητα ταιριάσματος προτύπου (%) | 70% ελάχιστο |



Το DCAi συγκρίνει τις τρέχουσες συνθήκες της αγοράς (MFI, ROC, ATR) με ιστορικά δεδομένα για να βρει αντίστοιχα πρότυπα. Μετά ελέγχει αν τα ιστορικά πρότυπα που ταίριασαν συχνά ακολουθήθηκαν από ανοδική κίνηση της τιμής. Τέλος, προσαρμόζει το μέγεθος της θέσης σας ανάλογα με τη σήμερα της πτώσης και πόσο σίγουρο είναι το σύστημα για αυτό το πρότυπο.



---



## 3. Λογική Μηχανής Αποφάσεων

Η στρατηγική ταξινομεί τα σήματα αγοράς σε τρία επίπεδα εμπιστοσύνης:



1.  **Επίπεδο 1: PULLBACK BUY (Παρακολούθηση Τάσης)**

    * Ξεκινάει όταν υπάρχει υγιής ανοδική τάση και η τιμή διαπραγματεύεται στη "ζώνη έκπτωσης" κάτω από το Ichimoku Kijun-sen αλλά πάνω από το Leading Span B, με το σύννεφο χρωματισμένο πράσινο.

2.  **Επίπεδο 2: OVERSOLD BUY (Κατάσταση Υπερπώλησης)**

    * Ενεργοποιείται σε συνθήκες υπερπώλησης (MFI < 35), με δυναμική χαλάρωση όταν η απόκλιση CVD είναι ανοδική (bullish) και επιβεβαίωση από το μοντέλο ML.

    * Χρησιμοποιεί **πολλαπλασιαστή ενίσχυσης** (προεπιλογή 1.5x).

3.  **Επίπεδο 3: FEAR BUY (Ακραίο Πάνικο)**

    * Ενεργοποιείται όταν το MFI πέφτει κάτω από το κατώφλι Πανικού (προεπιλογή 20), με δυναμική χαλάρωση όταν η απόκλιση CVD είναι ανοδική (bullish).

    * Χρησιμοποιεί **μέγιστο πολλαπλασιαστή** και επιθετική κατανομή του Savings Pot.



---



## 4. Προϋπολογισμός



### 4.1 Έξυπνος Προϋπολογισμός (Το Savings Pot)

Αν κανένα σήμα αγοράς δεν ενεργοποιηθεί εντός ημερολογιακού μήνα, ο μηνιαίος προϋπολογισμός μεταφέρεται αυτόματα σε ένα **Savings Pot**. Αυτός ο μηχανισμός "μεταφοράς" επιτρέπει μεγαλύτερη ανάπτυξη κεφαλαίου κατά τη διάρκεια ακραίων χαμηλών της αγοράς.



### 4.2 Δυναμικό Μέγεθος Θέσης

Το ποσό επένδυσης υπολογίζεται χρησιμοποιώντας έναν τύπο **Αντίστροφης Στάθμισης Τιμής**:



* **Εκθετική Κλιμάκωση**: Καθώς η τιμή πέφτει σε σχέση με τον ιστορικό μέσο όρο, το ποσό αγοράς αυξάνεται εκθετικά βάσει της παραμέτρου **$\rho$**.

* **Ενίσχυση Εμπιστοσύνης**: Η πιθανότητα του μοντέλου ML λειτουργεί ως πολλαπλασιαστής· υψηλότερη εμπιστοσύνη αυξάνει τον πολλαπλασιαστή και τη χρήση του Savings Pot σε συνεχή κλίμακα (ξεκινώντας πάνω από 50% εμπιστοσύνη).



---



## 5. Συγκριτική Ανάλυση: Πλεονεκτήματα & Μειονεκτήματα



### 5.1 Πλεονεκτήματα του DCAi

* **Δυναμική Ευαισθησία**: Χρησιμοποιεί την παράμετρο **$\rho$** για να αυξήσει εκθετικά το μέγεθος αγοράς κατά τη διάρκεια μεγάλων αποκλίσεων.

* **Επιβεβαίωση Βασισμένη σε ML**: Η μηχανή KNN απαιτεί ιστορική ομοιότητα προτύπου πριν σηματοδοτήσει αγορά.

* **Διατήρηση Κεφαλαίου**: Το **Savings Pot** διατηρεί κεφάλαιο για περιόδους όταν εμφανίζονται σήματα.



### 5.2 Περιορισμοί & Κίνδυνοι

* **Υπολογιστικοί Περιορισμοί**: Τα μοντέλα KNN σε Pine Script περιορίζονται από το παράθυρο ιστορικού (μέγιστο 3000 κεριά).

* **Κίνδυνος Υπερπροσαρμογής**: Οι παράμετροι απόστασης Lorentzian μπορεί να υπερπροσαρμοστούν στην πρόσφατη κίνηση τιμών.

* **Καθυστέρηση Εκτέλεσης**: Βασίζεται σε κλείσιμο κεριών, κάτι που μπορεί να οδηγήσει σε υψηλότερες τιμές εισόδου κατά τις γρήγορες ανακάμψεις.



---



## 6. Μελλοντική Έρευνα & Χάρτης Πορείας

1.  **Ενσωμάτωση Ψυχολογίας Αγοράς**: Προσθήκη δεδομένων on-chain ή Funding Rates ως επιπλέον χαρακτηριστικά.

2.  **Επικύρωση σε Πολλαπλά Χρονικά Πλαίσια**: Συσχέτιση προβλέψεων 4-κεριών σε ημερήσια και εβδομαδιαία δεδομένα.

3.  **Επαναληπτική Μάθηση**: Δημιουργία αυτό-διορθωτικού μηχανισμού για την παράμετρο **ρ** βάσει πραγματοποιημένων χαμηλών.



---

## 7. Ρυθμίσεις & Παράμετροι



Το DCAi προσφέρει ένα πλήρες μενού ρυθμίσεων που σας επιτρέπει να προσαρμόσετε τον αλγόριθμο στο προφίλ κινδύνου σας και στο περιουσιακό στοιχείο που συναλλάσετε.



![Settings Menu](images/dcai-settings.png)



### 7.1 Επιλογή Περιουσιακών Στοιχείων & Αυτόματη Βελτιστοποίηση

* **Asset Class**: Επιλέξτε μεταξύ `Crypto`, `Stocks`, `Indices`, ή `Commodities`. Η επιλογή αυτή προσαρμόζει αυτόματα:

    * **MFI Thresholds**: Προσαρμοσμένα στη χαρακτηριστική μεταβλητότητα κάθε τομέα.

    * **Adaptive Sensitivity ($\rho$)**: Ελέγχει πόσο αυξάνεται το μέγεθος θέσης κατά τη διάρκεια πτώσεων.

* **Auto-Optimize Parameters**: Όταν είναι ενεργό, το script αγνοεί τις χειροκίνητες παρακάμψεις και χρησιμοποιεί προκαθορισμένες τιμές για το επιλεγμένο περιουσιακό στοιχείο.

* **Manual Sensitivity ($\rho$)**: Παρακάμπτει την αυτόματη βελτιστοποίηση όταν το auto είναι απενεργοποιημένο.



### 7.2 Ρυθμίσεις Μηχανικής Μάθησης (KNN)

* **Lookback Window**: Αριθμός ιστορικών κεριών (έως 2800) που χρησιμοποιεί το μοντέλο ML για να βρει παρόμοια πρότυπα.

* **K-Neighbors**: Ο αριθμός των "πλησιέστερων γειτόνων" που συγκρίνονται (προεπιλογή 5).

* **Probability Threshold**: Η ελάχιστη εμπιστοσύνη ML που απαιτείται για να ενεργοποιηθεί σήμα εισόδου (προεπιλογή 70% για ισχυρά σήματα και 50% για pullback entries).

* **ML Confidence Sensitivity**: Ελέγχει πόσο έντονα ο πολλαπλασιαστής εμπιστοσύνης βασισμένος στην απόσταση κλιμακώνει το μέγεθος θέσης.

* **ROC Length (Feature)**: Το μήκος που χρησιμοποιείται για το χαρακτηριστικό ROC στο σύνολο εισόδου του KNN.



### 7.3 Χρηματοοικονομικές Παράμετροι (Προϋπολογισμός)

* **Monthly Budget**: Το συνολικό κεφάλαιο προς επένδυση ανά μήνα.

* **Start Date / End Date**: Περιορίζει τα σήματα και τον προϋπολογισμό σε καθορισμένο παράθυρο συναλλαγών.

* **Max Multiplier Cap**: Περιορίζει το μέγιστο μέγεθος επένδυσης για ένα μόνο σήμα για αποφυγή υπερέκθεσης.

* **Strong Buy Boost**: Πολλαπλασιαστής που εφαρμόζεται σε σήματα υπερπώλησης (oversold).

* **Max Buy Boost**: Πολλαπλασιαστής που εφαρμόζεται σε σήματα φόβου (fear).

* **Pot Reserve (%)**: Μέρος του savings pot που κρατείται για μεγαλύτερες πτώσεις.

* **Show Savings Pot Usage**: Εμφανίζει ετικέτες χρήσης pot στο γράφημα όταν είναι ενεργό.



### 7.4 Τεχνική Επιβεβαίωση (Φιλτράρισμα)

* **Ichimoku Display Options**: Εναλλαγές για γραμμές Tenkan/Kijun, Chikou span, και γέμισμα Kumo.

* **Cooldown Period**: Αριθμός κεριών αναμονής μεταξύ ισχυρών σημάτων για αποφυγή clustering σημάτων.



---



### 7.5 Παράδειγμα Ρυθμίσεων για Backtest



Παρακάτω είναι τρία προτεινόμενα προφίλ για backtesting, ευθυγραμμισμένα με διαφορετικά επίπεδα κινδύνου και συνθήκες αγοράς (δείτε **Ενότητα 2.1** ML settings και **Ενότητα 3** decision tiers για περισσότερο context):



#### **Προφίλ A: ΣΥΝΤΗΡΗΤΙΚΟ (Χαμηλή Συχνότητα Σημάτων, Διατήρηση Κεφαλαίου)**

*Τυπικές περιπτώσεις χρήσης: Συντηρητικοί επενδυτές, ασταθή περιουσιακά στοιχεία (micro-caps), bear markets*



| Παράμετρος | Τιμή | Αιτιολόγηση |

|:---|:---|:---|

| **Monthly Budget** | €50 | Χαμηλότερη μηνιαία δαπάνη· το pot συσσωρεύεται για πολλούς μήνες για μεγαλύτερες εισόδους |

| **Auto-Optimize** | ✅ Ενεργό | Χρησιμοποιήστε τις προεπιλογές ανά κατηγορία περιουσιακού (Ενότητα 2.2) |

| **Lookback Window** | 1500 | Συντομότερο παράθυρο = λιγότερος θόρυβος, εστίαση σε πρόσφατα πρότυπα |

| **K-Neighbors** | 7-8 | Υψηλότερο K = λιγότερα false signals, πιο συντηρητική ψηφοφορία |

| **Probability Threshold** | 75% | Αυστηρή πύλη εισόδου (μόνο σήματα υψηλής εμπιστοσύνης) |

| **ML Confidence Sensitivity** | 1.5 | Χαμηλότερη κλιμάκωση εμπιστοσύνης (αποφυγή υπέρ-μεγέθυνσης οριακών σημάτων) |

| **Pot Reserve %** | 25% | Διατήρηση 25% για σπάνια γεγονότα |

| **Strong Buy Boost** | 1.3x | Ελαφρύ πολλαπλασιαστής (Tier 2) |

| **Max Buy Boost** | 1.8x | Μέτριος πολλαπλασιαστής (Tier 3) |

| **Cooldown Period** | 15 bars | Μεγάλη αναμονή μεταξύ σημάτων για αποφυγή over-trading |



**Αναμενόμενη Συμπεριφορά**: 1-3 σήματα/μήνα, μεγαλύτερο απόθεμα για drawdowns, χαμηλότερες μέσες τιμές εισόδου σε σχέση με profiles υψηλότερης συχνότητας



---



#### **Προφίλ B: ΙΣΟΡΡΟΠΗΜΕΝΟ (Προεπιλογή – Μεσαίος Κίνδυνος/Ανταμοιβή)**

*Τυπικές περιπτώσεις χρήσης: Μακροπρόθεσμοι επενδυτές, καθιερωμένα περιουσιακά στοιχεία (BTC/ETH, Index funds), ορίζοντας 2-8 ετών*



| Παράμετρος | Τιμή | Αιτιολόγηση |

|:---|:---|:---|

| **Monthly Budget** | €100 | Τυπικό ποσό DCA· το pot μεγαλώνει σταθερά |

| **Auto-Optimize** | ✅ Ενεργό | Προσαρμοστικό στη μεταβλητότητα της κατηγορίας περιουσιακού (Ενότητα 2.2) |

| **Lookback Window** | 2000 | Μεσαίο παράθυρο ισορροπεί πρόσφατα trends + ιστορικά πρότυπα |

| **K-Neighbors** | 5 | Προεπιλογή· καλή ισορροπία σήματος-θορύβου |

| **Probability Threshold** | 70% | Τυπική πύλη εισόδου (Ενότητα 2.1) |

| **ML Confidence Sensitivity** | 2.0 | Μέτρια κλιμάκωση (Ενότητα 4.2 continuous scaling) |

| **Pot Reserve %** | 15% | Απόθεμα 15% που ισορροπεί ευκαιρία + ασφάλεια |

| **Strong Buy Boost** | 1.5x | Τυπικός πολλαπλασιαστής (Tier 2, ανά Ενότητα 3) |

| **Max Buy Boost** | 2.0x | Προεπιλεγμένος πολλαπλασιαστής φόβου (Tier 3, ανά Ενότητα 3) |

| **Cooldown Period** | 10 bars | Τυπική συχνότητα πολλαπλών εισόδων |



**Αναμενόμενη Συμπεριφορά**: 3-6 σήματα/μήνα, μέτρια συσσώρευση pot, ισορροπημένες εισόδους σε όλα τα tiers



---



#### **Προφίλ C: ΕΠΙΘΕΤΙΚΟ (Υψηλή Συχνότητα Σημάτων, Κίνηση από Pot)**

*Τυπικές περιπτώσεις χρήσης: Ενεργοί επενδυτές, σταθερά περιουσιακά στοιχεία (large-cap stocks, top-tier crypto), bull/accumulation φάσεις*



| Παράμετρος | Τιμή | Αιτιολόγηση |

|:---|:---|:---|

| **Monthly Budget** | €150+ | Υψηλότερος μηνιαίος προϋπολογισμός επιταχύνει ανάπτυξη pot (Ενότητα 4.1) |

| **Auto-Optimize** | ✅ Ενεργό | Χρήσιμο για ασταθείς μεγάλες θέσεις |

| **Lookback Window** | 2800 | Μεγαλύτερο παράθυρο· καλύπτει περισσότερα ιστορικά δεδομένα |

| **K-Neighbors** | 3-4 | Χαμηλότερο K = πιο αντιδραστικά signals, αντιδρά σε ταχύτερες αντιστροφές |

| **Probability Threshold** | 60% | Χαλαρή πύλη· επιτρέπει περισσότερα σήματα (Tier 1 pullbacks πιο συνηθισμένα) |

| **ML Confidence Sensitivity** | 2.5 | Υψηλότερη κλιμάκωση· υψηλότερη εμπιστοσύνη αυξάνει το μέγεθος θέσης |

| **Pot Reserve %** | 5% | Χαμηλότερο απόθεμα· ανάπτυξη περισσότερου pot κεφαλαίου |

| **Strong Buy Boost** | 1.8x | Υψηλότερη μεγέθυνση υπερπώλησης (Tier 2) |

| **Max Buy Boost** | 2.5x | Υψηλότερη μεγέθυνση φόβου (Tier 3) |

| **Cooldown Period** | 5 bars | Επιτρέπει ταχύτερη επανεισόδου μέσω decision tiers (Tier 1 pullback + Tier 3 fear ίδιο μήνα) |



**Αναμενόμενη Συμπεριφορά**: 8-15+ σήματα/μήνα, ταχύτερες κύκλοι εξάντλησης/αναπλήρωσης pot, νωρίτερες εισόδους σε dips



---



### 7.6 Οδηγός Παραμετροποίησης & Βελτιστοποίησης



#### **Βήμα 1: Καθορίστε τη Βάση σας (Εβδομάδες 1-4)**

1. Ξεκινήστε με το **Προφίλ B (Ισορροπημένο)** για την κατηγορία περιουσιακού σας

2. Εκτελέστε τον δείκτη **ζωντανά ή με backtest για τουλάχιστον 1-3 μήνες** (`Start Date` → `End Date` στην Ενότητα 7.3)

   - Τα Προφίλ A/B δημιουργούν συνήθως 1-6 σήματα/μήνα—σύντομες περίοδοι στερούνται στατιστικής σημαντικότητας

   - 1-3 μήνες παρέχουν 3-18 σήματα για σωστή αξιολόγηση

3. Καταγράψτε: αριθμό σημάτων, μέσο entry price, αλλαγή χαρτοφυλακίου, drawdown, Sortino ratio



**Μετρική προς Παρακολούθηση**: *Συχνότητα Σημάτων* = signals/month (τυπικό εύρος: 3-8 για balanced)



#### **Βήμα 2: Διάγνωση Υπερ-Συναλλαγών/Υπό-Συναλλαγών (Εβδομάδες 2-3)**



| Αν Δείτε... | Ριζική Αιτία | Προσαρμογή |

|:---|:---|:---|

| **Πολύ Λίγα Σήματα** (<1/μήνα) | ML πάρα πολύ αυστηρό, παλιό Lookback, ή περιουσιακό σε ισχυρή τάση χωρίς dips | Μειώστε `Probability Threshold` κατά 5%, ή αυξήστε `K-Neighbors`, ή χρησιμοποιήστε συντομότερο `Lookback Window` |

| **Πολλά Σήματα** (>15/μήνα) | ML πάρα πολύ χαλαρό, ή ακραία μεταβλητότητα | Αυξήστε `Probability Threshold` κατά 5-10%, ή μειώστε `K-Neighbors` |

| **Clustering Σημάτων** (3+ ίδια ημέρα) | `Cooldown Period` ενεργό σε όλα τα επίπεδα; Tier 1 αποκλείει Tier 2/3 | Μειώστε `Cooldown Period` σε 5-7 bars, ή αυξήστε `Probability Threshold` |

| **Χρήματα δεν Συσσωρεύονται** | Πολλά μηνιαία σήματα, κεφάλαιο χρησιμοποιείται χωρίς διακοπή | Αυξήστε `Probability Threshold`, ή χρησιμοποιήστε μεγαλύτερο `Cooldown Period` |

| **Χρήματα Συσσωρεύονται αλλά δεν Χρησιμοποιούνται** | Χωρίς σήματα υψηλής εμπιστοσύνης στα χρονικά πλαίσιά σας | Μειώστε `Probability Threshold` κατά 10%, ή αυξήστε `ML Confidence Sensitivity` |



**Δράση**: Προσαρμόστε μία παράμετρο ανά εβδομάδα και δοκιμάστε ξανά τουλάχιστον 2 εβδομάδες δεδομένων πριν την επόμενη αλλαγή.



---



#### **Βήμα 3: Ευθυγράμμιση Προφίλ Κινδύνου (Εβδομάδες 3-4)**



**Αν θέλετε περισσότερο κεφάλαιο σε κίνδυνο κατά τα dips:**

- Αυξήστε `Monthly Budget` (μεγαλύτερο μηνιαίο budget → μεγαλύτερες εισόδους)

- Αυξήστε `Strong Buy Boost` και `Max Buy Boost` (Tier 2-3)

- Μειώστε `Pot Reserve %` (χρησιμοποιήστε περισσότερο reserve κεφάλαιο)

- Μειώστε `ML Confidence Sensitivity` (ακόμα και σήματα χαμηλής εμπιστοσύνης θα αυξάνουν το μέγεθος)



**Αν θέλετε λιγότερο κεφάλαιο σε κίνδυνο (διατήρηση κεφαλαίου):**

- Μειώστε `Monthly Budget`

- Μειώστε `Strong Buy Boost` και `Max Buy Boost`

- Αυξήστε `Pot Reserve %` (10-30%)

- Αυξήστε `ML Confidence Sensitivity` (μόνο σήματα υψηλής εμπιστοσύνης θα αυξάνουν το μέγεθος)

- Αυξήστε `Probability Threshold` (περιορίστε τις εισόδους)



---



#### **Βήμα 4: Asset-Specific Tuning (Συνεχιζόμενο)**



**Crypto (BTC/ETH):** Auto Rho = 1.7 (Ενότητα 2.2)

- Crypto μπορεί να παραμείνει υπερπουλημένο επί εβδομάδες· αυξήστε `Probability Threshold` σε 75% για φιλτράρισμα θορύβου

- Μεγαλύτερες ημερήσιες διακυμάνσεις μπορεί να δικαιολογούν υψηλότερο `Monthly Budget` (€100+)

- Χρησιμοποιήστε ρυθμίσεις Προφίλ C ή παραμετροποιήστε συντηρητικά εντός Προφίλ B



**Stocks (Tech, Blue-Chip):** Auto Rho = 2.0

- Τα stocks ανακάμπτουν ταχύτερα· χαμηλότερο `Cooldown Period` (5-8 bars) επιτρέπει ταχύτερη επανεισόδου

- Πιο αποδοτικές αγορές = αυστηρότερο Lookback Window (1500 bars προτιμώμενο)

- Οι προεπιλογές του Προφίλ B λειτουργούν καλά; μειώστε `K-Neighbors` σε 3-4 για ταχύτερη αντίδραση



**Indices (S&P500, World ETFs):** Auto Rho = 2.5

- Ευρείς δείκτες είναι πιο ομαλοί· συντομότερο `Lookback Window` (1000-1500) μειώνει την καθυστέρηση

- Φυσικά χαμηλότερη συχνότητα σημάτων· χρησιμοποιήστε `Probability Threshold` 65-70%

- Συνιστάται Προφίλ A ή χαμηλό Προφίλ B



**Commodities (Gold, Metals):** Auto Rho = 2.5

- Κυκλικά και mean-reverting· αυξήστε `Lookback Window` σε 2500+ για σύλληψη μεγαλύτερων κύκλων

- Ευρύτερα trading ranges = υψηλότερο `Monthly Budget` δικαιολογημένο

- Υβριδικό Προφίλ B/C: μεσαίο budget (€75-175) + υψηλή ευαισθησία Rho



---



#### **Βήμα 5: Backtesting & Live Validation (Εβδομάδες 5-24)**



1. **Extended Backtest** (TradingView Pine Editor): Ορίστε `Start Date` **6-12 μήνες πριν** (τουλάχιστον ένας πλήρης κύκλος αγοράς), εκτελέστε τον δείκτη

   - Δημιουργήστε **12-72+ σήματα** για στατιστικά ισχυρή σύγκριση

   - Συγκρίνετε χαρτοφυλάκιό DCAi (μέσο entry, ROI, Sortino) με το μηνιαίο passive DCA benchmark

   - Ο DCAi στοχεύει σε **χαμηλότερο μέσο entry price** και **παρόμοια ή υψηλότερα returns** σε σχέση με το passive benchmark

   - Καταγράψτε: Πόσα Tier 1 (pullback) vs. Tier 2/3 (oversold/fear) signals; Είναι συγκεντρωμένα ανά market regime;



2. **Live Paper Trading** (2-4 εβδομάδες τουλάχιστον): Δοκιμάστε σε ζωντανό chart χωρίς κεφάλαιο

   - Αφήστε τουλάχιστον **1-2 πραγματικά signals να εκτελεστούν** κατά τη διάρκεια paper trading (όχι backtested)

   - Ελέγξτε πώς τα σήματα ευθυγραμμίζονται με την πρόσφατη δομή τιμών και την θέσή σας

   - Ελέγξτε τα Ichimoku clouds (επικύρωση Tier 1 Pullback, Ενότητα 3)

   - Παρατηρήστε πώς η εμπιστοσύνη ML (%) αλλάζει σε dips σε σχέση με ανακάμψεις (Ενότητα 2.1)

   - Επαληθεύστε το portfolio tracking και τη λογική συσσώρευσης Savings Pot



3. **Full-Size Live** (μετά από τουλάχιστον 4 εβδομάδες εμπιστοσύνης, μετά το paper trading): Αναπτύξτε πραγματικό κεφάλαιο

   - Ξεκινήστε με μικρότερο επίπεδο `Monthly Budget` (€25-50)

   - Τρέξτε για **τουλάχιστον 2-3 πλήρεις μήνες** (για σύλληψη variance σημάτων)

   - Αυξήστε μόνο αν τα metrics ευθυγραμμίζονται: χαμηλότερη μέση τιμή εισόδου, καλή ποιότητα εισόδου, θετικό Sortino ratio



---



#### **Red Flags: Πότε να Επαναφέρετε τις Ρυθμίσεις**



- **Μέσο entry price υψηλότερο από blind DCA**: Ρυθμίσεις ML πολύ χαλαρές, αυξήστε `Probability Threshold` κατά 10%+

- **Χαρτοφυλάκιο ποτέ δεν πιάνει dips** (<2 Tier 2/3 entries/έτος σε ασταθή αγορά): Μειώστε `Probability Threshold`, αυξήστε `K-Neighbors`, ή διπλασιάστε `Monthly Budget`

- **Drawdown υπερβαίνει 50% χωρίς δική του ευθύνη αγοράς**: `Max Buy Boost` πολύ επιθετικό; μειώστε σε 1.5-2.0x, ή αυξήστε `Pot Reserve %`

- **Pot μεγαλώνει σε 10x+ μηνιαίο budget και ποτέ δεν αναπτύσσεται**: Αύξηση `Probability Threshold` πιθανώς αντιπαραγωγική; μειώστε την για περισσότερες αναπτύξεις



---



### 7.7 Αλληλεπιδράσεις Παραμέτρων & Εξαρτήσεις



Αυτές οι παράμετροι λειτουργούν μαζί. Η αλλαγή ενός επηρεάζει τις άριστες τιμές των άλλων:



| Αλλαγή | Downstream Effects | Αντισταθμιστική Προσαρμογή |

|:---|:---|:---|

| Μειώστε `Probability Threshold` | Περισσότερα σήματα, γρήγορη κενοποίηση pot | Αυξήστε `Cooldown Period`, OR μειώστε multipliers |

| Αυξήστε `Monthly Budget` | Pot μεγαλώνει ταχύτερα, αλλά και περισσότερη μηνιαία ανάπτυξη | Αυξήστε `Probability Threshold`, αλλιώς over-trading |

| Μειώστε `Lookback Window` | ML πιο αντιδραστικό σε πρόσφατα πρότυπα | Μπορεί να αυξήσει false signals; αυξήστε `K-Neighbors` |

| Αυξήστε `K-Neighbors` | Λιγότερα σήματα (υψηλότερο voting threshold) | Μειώστε `Probability Threshold` για διατήρηση συχνότητας |

| Αυξήστε `ML Confidence Sensitivity` | Υψηλότερη εμπιστοσύνη = μεγαλύτερο μέγεθος θέσης | Προσέξτε υπερ-συγκ entries; περιορίστε με `Max Multiplier Cap` |

| Μειώστε `Cooldown Period` | Επιτρέπει πολλαπλά σήματα ανά περίοδο | Βεβαιωθείτε ότι το pot είναι επαρκές; αυξήστε `Pot Reserve %` για ασφάλεια |



---



### 7.8 Community Settings & Contributions



**Θέλουμε να ακούσουμε από σας!** Αν έχετε βελτιστοποιήσει το DCAi για το συγκεκριμένο use case σας και θέλετε να μοιραστείτε τη ρύθμιση, δημοσιεύστε το στην ενότητα **[GitHub Discussions](https://github.com/cerebrux/DCAi/discussions)**.



#### **Τι να Μοιραστείτε:**

Όταν δημοσιεύετε τις ρυθμίσεις σας, παρακαλώ συμπεριλάβετε παρακάτω πλαίσιο για να βοηθήσετε άλλους χρήστες να αξιολογήσουν αν η ρύθμισή σας ταιριάζει στις δικές τους ανάγκες:



- **Asset & Ticker**: Τι διαπραγματεύεστε; (π.χ. BTC/USDT, SPY, futures χρυσού)

- **Timeframe**: Daily (D), Weekly (W), ή άλλο;

- **Market Regime**: Bull market, bear market, accumulation phase, ή full cycle test;

- **Profile Base**: Ποιο προτεινόμενο προφίλ (A/B/C) ξεκινήσατε;

- **Modified Parameters**: Κατάλογος των βασικών ρυθμίσεων που αλλάξατε από το βασικό προφίλ

- **Performance Metrics** (προαιρετικό αλλά πολύ χρήσιμο):

  - Μέσο entry price σε σύγκριση με blind DCA benchmark

  - Συχνότητα σημάτων (σήματα/μήνα)

  - Συμπεριφορά συσσώρευσης pot

  - Διαχείριση drawdown

  - Χρονικό διάστημα δοκιμής (backtested ή live)



#### **Γιατί να Μοιραστείτε τις Ρυθμίσεις σας;**

- **Real-world validation**: Η δοκιμή από την κοινότητα καλύπτει συνθήκες αγοράς που ένα ενιαίο backtest δεν μπορεί να προσομοιώσει

- **Asset-specific optimization**: Χρήστες που διαπραγματεύονται παρόμοια περιουσιακά στοιχεία επωφελούνται από τις ανακαλύψεις σας

- **Edge cases**: Ασυνήθη περιουσιακά στοιχεία (high-vol small-caps, seasonal commodities) ενδέχεται να χρειάζονται προσαρμογή πέρα από τα προεπιλεγμένα προφίλ

- **Συλλογική βελτίωση**: Χρήσιμες ρυθμίσεις προκύπτουν μέσω συνεργασίας



#### **Συνεισφορά Ρυθμίσεων σας:**

1. Πηγαίνετε στο **[GitHub Discussions → Share Your Settings](https://github.com/cerebrux/DCAi/discussions)**

2. Δημιουργήστε νέα συζήτηση με περιγραφικό τίτλο (π.χ. "BTC Daily - Conservative Bear Market Profile")

3. Χρησιμοποιήστε τη δομή προτύπου παραπάνω για να δώσετε context

4. Προαιρετικά: Συμπεριλάβετε στιγμιότυπα των αποτελεσμάτων backtest ή βασικών σημάτων



**Σημείωση**: Όλες οι μοιρασμένες ρυθμίσεις είναι συνεισφορές της κοινότητας και δεν είναι επίσημα εγκεκριμένες. Πάντα κάνετε backtest και paper trade οποιεσδήποτε ρυθμίσεις της κοινότητας πριν αναπτύξετε πραγματικό κεφάλαιο (δείτε **Ενότητα 7.6, Βήμα 5** για τη μεθοδολογία επικύρωσης).



---



## 8. Συχνές Ερωτήσεις (FAQ)



### Ε1: Πώς λειτουργεί το "Savings Pot" στην πράξη;

**Α:** Ο αχρησιμοποίητος μηνιαίος προϋπολογισμός δεν χάνεται αλλά συσσωρεύεται στο Savings Pot. Για παράδειγμα, αν ο μηνιαίος προϋπολογισμός είναι €50 αλλά η αγορά ανεβαίνει χωρίς να δημιουργηθεί σήμα, αυτά τα €50 κυλάνε στον επόμενο μήνα. Όταν τέλος σχηματιστεί ένα σήμα αγοράς, το DCAi μπορεί να αγοράσει χρησιμοποιώντας τόσο τον τακτικό προϋπολογισμό όσο και τα συσσωρευμένα χρήματα.



### Ε2: Γιατί Lorentzian Distance αντί για Euclidean;

**Α:** Η Ευκλείδια απόσταση δίνει υπερβολική σημασία στα ακραία σημεία. Ένα crash 50% και ένα 40% θα έμοιαζαν τελείως διαφορετικά, ενώ στην πραγματικότητα και τα δύο ισχύουν σοβαρή πτώση. Η Lorentzian χρησιμοποιεί λογαριθμική κλίμακα ώστε να συγκρίνει τα πρότυπα με πράξη της δομής και κατεύθυνσης, όχι του απόλυτου μεγέθους.



### Ε3: Το DCAi είναι κατάλληλο για Day Trading ή Scalping;

**Α:** Όχι. Το DCAi έχει σχεδιαστεί για **swing traders** και **μακροπρόθεσμους επενδυτές**. Λειτουργεί βέλτιστα σε ημερήσια (D) ή εβδομαδιαία (W) χρονικά πλαίσια.



### Ε4: Τι κάνει η παράμετρος Ευαισθησίας (ρ);

**Α:** Η παράμετρος **ρ** (Rho) καθορίζει πόσο επιθετικά το σύστημα αυξάνει το μέγεθος θέσης όταν οι τιμές πέφτουν.

* **Υψηλό ρ**: Το ποσό που αγοράζετε αυξάνεται πολύ γρήγορα σε κάθε πτώση.

* **Χαμηλό ρ**: Η αύξηση είναι πιο σταδιακή.

* **Χαμηλό ρ**: Η κατανομή είναι πιο γραμμική.



### Ε5: Πώς επηρεάζει τη στρατηγία η κατηγορία περιουσιακού στοιχείου;

**Α:** Κάθε τύπος περιουσιακού στοιχείου έχει το δικό του "χαρακτηριστικό μεταβλητότητας". Για παράδειγμα, το Bitcoin μπορεί να παραμείνει υπερπουλημένο για μήνες ενώ ο S&P 500 ανακάμπτει πολύ γρήγορα. Με την επιλογή της σωστής κατηγορίας, το σύστημα αυτόματα προσαρμόζει τα κατώφλια ώστε να ταιριάζουν στα χαρακτηριστικά κάθε αγοράς.



### Ε6: Μπορώ να χρησιμοποιήσω το DCAi για αυτοματοποιημένο trading bot;

**Α:** Ναι, υπό την **AGPL-3.0 License**. Αν όμως τροποποιήσετε τον κώδικα και τον τρέξετε σε ένα server as a service (SaaS), **πρέπει** να δημοσιοποιήσετε αυτές τις τροποποιήσεις ως ανοικτό κώδικα.



### Ε7: Το ML engine ξαναζωγραφίζει τα σήματα;

**Α:** Όχι. Η ταξινόμηση KNN υπολογίζεται όταν κλείνει κάθε κερί. Μόλις ένα κερί κλείσει, το σήμα συγκεκριμμένης παραμένει αμετάβλητο.



---



## 9. Βιβλιογραφία & Ακαδημαϊκή Βάση



Αυτό το έργο ενσωματώνει έννοιες από behavioral finance, machine learning, και quantitative risk management. Παρακάτω είναι η λίστα βασικών ερευνητικών άρθρων και βιβλιογραφίας χρησιμοποιηθέντων για τη σχεδίαση του DCAi.



## 1. Dollar-Cost Averaging (DCA) & Behavioral Finance

*   **Statman, M. (1995).** "A Behavioral Framework for Dollar-Cost Averaging." *The Journal of Portfolio Management*, 22(1), 70-78.

    *   *Διερευνά γιατί οι επενδυτές προτιμούν το DCA για ψυχολογικούς λόγους (ελαχιστοποίηση μετανοίας) παρά την μαθηματική κατωτερότητά του σε bull markets.*

*   **Thorley, S. R. (1994).** "The Fallacy of Dollar-Cost Averaging." *Financial Practice and Education*, 4(2), 17-26.

    *   *Αναλύει τις μαθηματικές ιδιότητες του DCA σε σύγκριση με την ενιαία επένδυση (Lump Sum) κεφαλαίου.*

*   **Leggio, K. B., & Lien, D. (2001).** "Does Dollar Cost Averaging Make Sense?" *Financial Services Review*, 10(1), 73-86.

    *   *Μια κριτική αξιολόγηση της απόδοσης του DCA χρησιμοποιώντας risk-adjusted metrics (Sortino/Sharpe).*

*   **Cui, R., & Zhang, Y. (2023).** "SmartDCA: An Enhanced Dollar-Cost Averaging Strategy with Deep Reinforcement Learning." *arXiv:2308.05200*.

    *   *Προτείνει δυναμικές προσαρμογές μεγέθους θέσης στο παραδοσιακό DCA χρησιμοποιώντας reinforcement learning. Ενέπνευσε την προσαρμοστική στάθμιση θέσης του DCAi και την έννοια του Savings Pot.*



## 2. Machine Learning & K-Nearest Neighbors

*   **Fix, E., & Hodges, J. L. (1951).** "Discriminatory Analysis: Nonparametric Discrimination: Consistency Properties." *USAF School of Aviation Medicine*, Randolph Field, Texas.

    *   *Το σημαντικό άρθρο που εισήγαγε τον αλγόριθμο K-Nearest Neighbors (KNN).*

*   **Jaqobs (TradingView). (2022).** "Machine Learning: Lorentzian Classification." *TradingView Public Library*.

    *   *Πρωτοποριακή υλοποίηση KNN με μετρική Lorentzian distance για χρηματοοικονομική αναγνώριση προτύπων. Άμεσα ενέπνευσε την αρχιτεκτονική της μηχανής ML του DCAi και τη σχεδίαση χαρακτηριστικών.*

*   **De Prado, M. L. (2018).** *Advances in Financial Machine Learning.* Wiley.

    *   *Το βιομηχανικό πρότυπο αναφοράς για την εφαρμογή τεχνικών ML σε χρηματοοικονομικά δεδομένα time-series.*

*   **Jansen, S. (2020).** *Machine Learning for Algorithmic Trading.* Packt Publishing.

    *   *Πρακτική υλοποίηση στρατηγιών ML σε συστήματα αυτοματοποιημένης διαπραγμάτευσης.*



## 3. Technical Analysis & Volatility Dynamics

*   **Wilder, R. S. (1978).** *New Concepts in Technical Trading Systems.* Trend Research.

    *   *Η προέλευση του **Average True Range (ATR)**, που αντιπροσωπεύει το συστατικό μεταβλητότητας (Feature f3) στο μοντέλο μηχανικής μάθησης του DCAi.*

*   **Quong, G., & Soudack, A. (1989).** "Volume-Weighted RSI: Money Flow Index." *Technical Analysis of Stocks & Commodities*, 7(3).

    *   *Η αρχική δημοσίευση που εισήγαγε το **Money Flow Index (MFI)**, χρησιμοποιούμενο εδώ ως ο κύριος ταλαντωτής momentum και όγκου για τον εντοπισμό κατάρρευσης.*

*   **Murphy, J. J. (1999).** *Technical Analysis of the Financial Markets.* Penguin York Institute of Finance.

    *   *Το βασικό εγχειρίδιο για τεχνική αναλύση, παρέχοντας τον ορισμό του **Rate of Change (ROC)** ως το καθαρότερο μέτρο ταχύτητας τιμής και momentum που χρησιμοποιείται στο Feature f2.*

*   **Harris, L. (2003).** *Trading and Exchanges: Market Microstructure for Practitioners.* Oxford University Press.

    *   *Παρέχει το θεωρητικό πλαίσιο για τη **Cumulative Volume Delta (CVD)** με ανάλυση του bid-ask spread και της ροής επιθετικών εντολών (Delta) για τον εντοπισμό απορρόφησης αγοράς.*

*   **Hosoda, G. (Ichimoku Sanjin). (1969).** *Ichimoku Kinko Hyo (一目均衡表).* Economic Statistics Research Institute.

    *   *Η αρχική πηγή της θεωρίας **Ichimoku Cloud**, χρησιμοποιούμενη σε αυτό το σύστημα για τον καθορισμό των ζωνών ισορροπίας αγοράς και επικύρωσης τάσης.*



## 4. Risk-Adjusted Performance Metrics

*   **Sortino, F. A., & Price, L. N. (1994).** "Performance Measurement in a Downside Risk Framework." *The Journal of Investing*, 3(3), 59-65.

    *   *Εισαγωγή του Sortino Ratio, διάκριση μεταξύ επικίνδυνης κατωφέρειας (downside) και γενικής μεταβλητότητας.*

*   **Young, T. W. (1991).** "Calmar Ratio: A Smoother Tool." *Futures Magazine*, 20(10), 40.

    *   *Εισαγωγή του Calmar Ratio (CAGR / Max Drawdown) για αξιολόγηση απόδοσης hedge funds.*



## 5. Quantitative Strategy Optimization

*   **Pardo, R. (2008).** *The Evaluation and Optimization of Trading Strategies.* Wiley Trading.

    *   *Μεθοδολογίες για backtesting, walk-forward ανάλυση, και αποφυγή overfitting.*

*   **Narang, R. K. (2013).** *Inside the Black Box: A Simple Guide to Quantitative and High-Frequency Trading.* Wiley.

    *   *Γνώσεις για τη δομή επαγγελματικών quant συστημάτων και δημιουργία alpha.*



---



## 10. Αποποίηση Ευθύνης & Προειδοποίηση Κινδύνου



### 10.1 Αυτό δεν είναι χρηματοοικονομική συμβουλή

**ΑΥΤΟ ΔΕΝ ΕΙΝΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΣΥΜΒΟΥΛΗ.** Αυτό το λογισμικό και η τεκμηρίωση παρέχονται **αποκλειστικά για εκπαιδευτικούς και ερευνητικούς σκοπούς**. Οτιδήποτε περιέχεται εδώ δεν αποτελεί επενδυτική συμβουλή, σύσταση ή έγκριση. Οι δημιουργοί δεν είναι αδειοδοτημένοι χρηματοοικονομικοί σύμβουλοι. Μην κάνετε επενδυτικές αποφάσεις βασιζόμενοι αποκλειστικά σε αυτές τις πληροφορίες.



### 10.2 Ανάληψη Κινδύνου

**Χρησιμοποιείτε αυτό το λογισμικό εντελώς με δική σας ευθύνη.** Η διαπραγμάτευση και η επένδυση σε ΟΠΟΙΑΔΗΠΟΤΕ κατηγορία περιουσιακών στοιχείων φέρουν σημαντικό κίνδυνο απώλειας, συμπεριλαμβανομένου του ενδεχόμενου κινδύνου ολοσχερούς απώλειας του αρχικού κεφαλαίου. Καμία στρατηγική δεν δύναται να εγγυηθεί κέρδη ή να αποτρέψει απώλειες. Οι συνθήκες της αγοράς μπορούν να αλλάξουν γρήγορα λόγω γεωπολιτικών γεγονότων, τεχνικών βλαβών, flash crashes, αλλαγών στο κανονιστικό πλαίσιο ή Black Swan events.



### 10.3 Καμία Εγγύηση

Υπό την **AGPL-3.0 License**, αυτό το λογισμικό παρέχεται **"ΩΣ ΕΧΕΙ"** χωρίς κανενός είδους εγγύηση. Οι δημιουργοί αποποιούνται οποιασδήποτε εγγύησης εμπορικότητας, καταλληλότητας για συγκεκριμένο σκοπό ή ακρίβειας.



### 10.4 Περιορισμός Ευθύνης

**Οι δημιουργοί δεν φέρουν ευθύνη για οποιαδήποτε άμεση, έμμεση, τυχαία, ειδική, επακόλουθη ή ποινική ζημία**, συμπεριλαμβανομένων οικονομικών απωλειών, χαμένων κερδών, απώλειας δεδομένων ή ζημιών που προκαλούνται από τρίτους.



### 10.5 Backtesting & Περιορισμοί Παρελθούσας Απόδοσης

- **Τα ιστορικά αποτελέσματα δεν εγγυώνται μελλοντική απόδοση.** Το backtesting δεν μπορεί να λάβει υπόψη μελλοντικές συνθήκες αγοράς, αλλαγές regime ή δομικές ασυνέχειες.

- **Backtesting bias**: Οι παράμετροι ενδέχεται να είναι overfitted στα ιστορικά δεδομένα.

- **Πραγματική εκτέλεση**: Τα προσομοιωμένα αποτελέσματα υποθέτουν τέλεια εκτέλεση.

- **Αποποίηση περί Repainting**: Ενώ το KNN δεν "επανασχεδιάζει" (repaint) τα σήματα, η συγκέντρωση κεριών του TradingView μπορεί να κάνει τα σήματα να εμφανίζονται σε διαφορετικές στιγμές.



### 10.6 Τεχνικοί και Περιβάλλοντες Κίνδυνοι

- **Το Pine Script έχει περιορισμούς**: Ο δείκτης εξαρτάται από τη διαθεσιμότητα και σταθερότητα των δεδομένων TradingView, τη αξιοπιστία της πλατφόρμας και τον τρόπο συσσώρευσης κεριών.

- **Κίνδυνος Broker/Αγοράς**: Η εκτέλεση εξαρτάται εξ ολοκλήρου από την διαθεσιμότητα και ρευστότητα του broker σας.

- **Διακοπές Σύνδεσης**: Προβλήματα διαδικτύου ή διακοπές λειτουργίας του συστήματος θα μπορούσαν να σας εμποδίσουν να εκτελέσετε ένα σήμα.



### 10.7 Περιορισμοί της Μηχανικής Μάθησης

- **Το KNN δεν έχει σταθερές παραμέτρους**: Σε εντελώς νέα market regimes, η απόδοση ενδέχεται να μειωθεί σημαντικά.

- **Περιορισμοί χαρακτηριστικών**: Ακραίες καταστάσεις που δεν έχουμε αντιμετωπίσει πριν μπορούν να προκαλέσουν αστοχία στο μοντέλο.

- **Περιορισμός ιστορικού παραθύρου**: Μόνο περίπου 2.800 κεριά ιστορίας λόγω τεχνικών περιορισμών του Pine Script.



### 10.8 Εξάρτηση από Κατηγορία Περιουσιακού Στοιχείου

Το DCAi λειτουργεί διαφορετικά ανάλογα με το περιουσιακό στοιχείο. Οι προρυθμισμένες παράμετροι που δουλεύουν καλά για το Bitcoin ενδέχεται να είναι εντελώς ακατάλληλες για μικρότερα altcoins ή άλλες κατηγορίες περιουσιακών στοιχείων.



### 10.9 Εσείς Φέρετε την Ευθύνη

**Εσείς φέρετε μόνοι σας πλήρη ευθύνη για** κάθε επενδυτική απόφαση που κάνετε, τη δική σας έρευνα, την κατανόηση των κινδύνων, την επικύρωση των σημάτων, τη νομική συμμόρφωση και για τη λήψη συμβουλής από έναν επαγγελματία χρηματοοικονομικό σύμβουλο πριν από οποιαδήποτε δράση.



### 10.10 Χωρίς Έγκριση από Τρίτους

Η συμπερίληψη ακαδημαϊκών άρθρων δεν σημαίνει ότι οι συγγραφείς τους συμφωνούν ή έγκρίνουν το DCAi. Τα ακαδημαϊκά άρθρα παρέχουν τεκμηρίωση για θεωρητικές ιδέες αλλά δεν υποδηλώνουν έγκριση της ορθότητας ή της αποτελεσματικότητας της υλοποίησης του DCAi.



---



**Χρησιμοποιώντας αυτό το λογισμικό, αναγνωρίζετε ότι έχετε διαβάσει, κατανοήσει και συμφωνείτε να αναλάβετε όλους τους κινδύνους.**



---



## Πώς να χρησιμοποιήσετε το DCAi

1. Αντιγράψτε τον κώδικα Pine Script στη **TradingView** - Pine editor

2. Επιλέξτε την **Asset Class** στις ρυθμίσεις για αυτόματη προσαρμογή των παραμέτρων μεταβλητότητας

3. Ορίστε την **Start Date** για όταν θέλετε να αρχίσει το DCA

4. Παρακολουθήστε το **Live Dashboard** για να δείτε την εμπιστοσύνη της μηχανής μάθησης και την κατάσταση του προϋπολογισμού σας



## Άδεια Χρήσης

Αυτό το έργο κυκλοφορεί υπό την **GNU Affero General Public License v3.0 (AGPL-3.0)**.



### Τι σημαίνει αυτό για εσάς;

- **Εμπορική χρήση**: Μπορείτε να το χρησιμοποιήσετε για κερδοσκοπικούς σκοπούς

- **Τροποποίηση**: Μπορείτε να αλλάξετε τον κώδικα

- **Αποκάλυψη κώδικα**: Αν παρέχετε αυτό σε άλλους (ως SaaS ή web app), **πρέπει** να ανοίξετε τον κώδικα υπό την ίδια άδεια

- **Αναγνώριση**: Πρέπει να διατηρήσετε όλες τις σημειώσεις πνευματικών δικαιωμάτων