سه‌شنبه, مارس 21, 2023
بلاگ تخصصی و جامع PCMFa بروکر
  • تحلیل‌گر شو
    • تحلیل سنتیمتال
    • تحلیل فاندامنتال
    • تحلیل تکنیکال
      • اندیکاتورها
      • الگوها
      • کندل ژاپنی
      • متفرقه
  • بازارهای مالی
    • فارکس
      • جفت ارزها
    • ابزارهای معاملاتی
    • ربات تریدر
    • کریپتو (Crypto)
      • معرفی رمزارزها
      • پیش بینی رمزارزها
      • استخراج رمزارزها
    • متفرقه
  • اخبار و تحلیل‌ها
  • دانشگاه تریدری
  • تقویم اقتصادی
  • آموزش فارکس
  • اصطلاحات رمزارز
  • دانلود متاتریدر
بازگشت به بروکر
بدون نتیجه
مشاهده تمام نتایج
  • تحلیل‌گر شو
    • تحلیل سنتیمتال
    • تحلیل فاندامنتال
    • تحلیل تکنیکال
      • اندیکاتورها
      • الگوها
      • کندل ژاپنی
      • متفرقه
  • بازارهای مالی
    • فارکس
      • جفت ارزها
    • ابزارهای معاملاتی
    • ربات تریدر
    • کریپتو (Crypto)
      • معرفی رمزارزها
      • پیش بینی رمزارزها
      • استخراج رمزارزها
    • متفرقه
  • اخبار و تحلیل‌ها
  • دانشگاه تریدری
  • تقویم اقتصادی
  • آموزش فارکس
  • اصطلاحات رمزارز
  • دانلود متاتریدر
بدون نتیجه
مشاهده تمام نتایج
بلاگ تخصصی و جامع PCMFa بروکر

نحوه محاسبه ضریب همبستگی (correlation coefficient) و انواع آن در تحلیل آماری

در فارکس
مدت زمان مطالعه: 6 دقیقه
3
A A
0
ضریب همبستگی و شیوه محاسبه آن
4
اشتراک گذاری ها
17
بازدیدها
اشتراک گذاری

در تحلیل‌های چند متغیره آماری، روش‌های گوناگون محاسباتی برای اندازه‌گیری وابستگی یا ارتباط بین دو متغیر تصادفی وجود دارند. منظور از ضریب همبستگی بین دو متغیر، قابلیت پیش‌بینی مقدار یکی از آن متغیرها بر اساس دیگری است. به عنوان مثال، عرضه و تقاضا دو پدیده وابسته به یکدیگر هستند. یکی از شیوه‌های نمایش ارتباط بین دو متغیر محاسبه کوواریانس (Covariance) و یا ضرایب همبستگی (Correlation Coefficient) بین آنها است.

هر چه مقدار این دو شاخص بیشتر باشد، نشان می‌دهد که ارتباط یا وابستگی بین دو متغیر بیشتر است. به عنوان مثال، می‌توانیم وابستگی بالایی بین دو متغیر میزان مصرف برق و دمای هوا را در نظر بگیریم چون هر چه دما افزایش یابد، استفاده از وسایل سرمایشی نیز افزایش داشته و مصرف برق بیشتر می‌شود. در نتیجه، وابستگی زیادی بین این دو متغیر دیده می‌شود.

با این حال، لازم است توجه داشته باشیم که کوواریانس یا همبستگی نشان دهنده ارتباط علت و معلولی نیستند، بلکه تنها معیاری برای نشان دادن میزان وابستگی بین دو متغیر محسوب می‌شوند.

ضریب همبستگی و کوواریانس

یکی از روش‌های نشان دادن ارتباط بین دو متغیر استفاده از کوواریانس (Covariance) است. این میزان جهت ارتباط بین دو متغیر را هم نشان می‌دهد. به بیان دیگر، در صورتی که مقدار کوواریانس مثبت شود،‌ نشان می‌دهد که ارتباط مستقیمی بین دو متغیر وجود دارد. یعنی با افزایش یکی از آنها، دیگری نیز افزایش می‌یابد.

همچنین منفی بودن مقدار کوواریانس نشان می‌دهد که جهت تغییرات دو متغیر عکس یکدیگر است. به عبارت دیگر، ارتباط معکوس بین دو متغیر نشان می‌دهد که با افزایش یکی از آنها، دیگری کاهش می‌یابد.

کوواریانس مثبت
کوواریانس منفی
ضریب همبستگی و کوواریانس

در نظر بگیرید که X و Y دو متغیر تصادفی با امید ریاضی E(X) و E(Y) هستند. چگونگی محاسبه کوواریانس X و Y با رابطه زیر نشان داده شده است:

COV(X,Y) = E[(X – E(X))(Y – E(Y))]

ویژگی‌های کوواریانس

با در نظر گرفتن رابطه تعریف شده برای کوواریانس، می‌توانیم به ویژگی‌های آن به صورت زیر اشاره کنیم:

  • تقارن: کوواریانس شاخصی متقارن است. به بیان دیگر COV(X,Y) = COV(Y,X)
  • واحد ترکیبی: واحد اندازه‌گیری کوواریانس ترکیبی است. به عبارت دیگر، در صورتی که X با واحد متر و Y با واحد کیلوگرم اندازه‌گیری شده باشد، واحد اندازه‌گیری کوواریانس به صورت متر در کیلوگرم در نظر گرفته می‌شود.
  • کوواریانس بین X و X با واریانس برابر خواهد بود. COV(X,X) = (V(X)
  • اگر رابطه‌ای خطی بین X و Y وجود داشته باشد، یعنی داشته باشیم: a + bX = Y، آنگاه COV(X,Y) = bV(X). این بدان معنی است که تغییر مکان داده‌ها بر مقدار کوواریانس تاثیری نداشته و فقط تغییر مقیاس موجب می‌شود که کوواریانس نیز به همان مقیاس تبدیل شود.
  • با در نظر گرفتن مقیاس اندازه‌گیری داده‌ها، بزرگی یا کوچکی کوواریانس برای مقایسه مناسب نیست.

چگونه در بازار فارکس یک اسکالپر موفق باشیم

مشاهده مقاله

مثال

بر اساس مطالعه روی قد و وزن ۹ نوزاد، داده‌های زوجی (x,y) در جدول زیر نشان داده شده‌اند. کوواریانس میان قد و وزن این افراد برابر است با 10.80 کیلوگرم در سانتی‌متر.

ماتریس کوواریانس

میانگین وزن‌ها برابر با 6.6 کیلوگرم و میانگین قدها نیز برابر با 62.4 سانتی‌متر است. محاسبات مورد نیاز برای به دست آوردن کوواریانس نیز در جدول زیر نشان داده شده‌اند.

ماتریس کوواریانس

این مقدار حاکی از آن است که رابطه مستقیمی بین قد و وزن کودکان وجود دارد.

ماتریس کوواریانس

در صورتی که لازم باشد ارتباط بین چندین متغیر محاسبه و نمایش داده شود، از ماتریس کوواریانس استفاده می‌شود. متغیرها در سطرها و ستون‌های این ماتریس قرار گرفته و مقادیر درون ماتریس هم کوواریانس مربوط به متغیر سطر با ستون متناظر آن را نشان می‌دهند. در صورتی که X، Y و Z سه متغیر تصادفی باشند، ماتریس کوواریانس آنها به صورت زیر نشان داده می‌شود:

ماتریس کوواریانس

از آنجا که کوواریانس هر متغیر برابر با واریانس آن متغیر است، گاهی به V، ماتریس واریانس-کوواریانس نیز گفته می‌شود. لازم به ذکر است که ماتریس V یک ماتریس متقارن است و عناصر روی قطر اصلی واریانس ها هستند.

محاسبه ضرایب همبستگی

همان طور که پیش از این گفته شد، کوواریانس به واحد اندازه‌گیری داده‌ها بستگی دارد. در نتیجه، نمی‌توانیم بزرگی کوواریانس دو متغیر را با بزرگی کوواریانس دو متغیر دیگر بدون در نظر گرفتن واحد اندازه‌گیری آنها، مقایسه کنیم. ضریب همبستگی که شاخصی بدون واحد است، این مسئله را حل کرده است.

در بخش‌های قبل متوجه شدیم که ضریب همبستگی هم برای اندازه‌گیری میزان وابستگی بین دو متغیر مورد استفاده قرار می‌گیرد. با در نظر گرفتن نوع داده‌ها، روش‌های گوناگونی برای اندازه‌گیری آن وجود دارند. ضریب همبستگی اغلب رابطه بین مقادیر میانگین دو متغیر را نشان می‌دهد و معمولاً با ρ و یا r نشان داده می‌شود.

در این مقاله، قصد داریم ضریب همبستگی پیرسون (Pearson Correlation Coefficient)، ضریب همبستگی اسپیرمن (Spearman Correlation Coefficient) و ضریب همبستگی کندال (Kendall Correlation Coefficient) را مورد بررسی قرار داده و شیوه محاسبه آنها را مرور می‌کنیم.

3 تکنیک تضمینی برای داشتن معاملات ریسک فری (Risk Free)

مشاهده مقاله

ضریب همبستگی پیرسون

یکی از رایج‌ترین روش‌های اندازه‌گیری وابستگی بین دو متغیر کمّی، محاسبه ضریب همبستگی پیرسون است. این شاخص در سال‌ 1900، توسط کارل پیرسون (Karl Pearson)، کارشناس انگلیسی آمار، در مقاله‌ای معرفی شد. او از این شاخص برای بررسی علمی موضوعات مختلف مربوط به علوم زیستی و حتی جمعیتی استفاده کرد و به نتایج قابل توجهی رسید. در ادامه، روش محاسبه ضریب همبستگی پیرسون ذکر می‌شود.

کارل پیرسون (Karl Pearson) معرف ضریب همبستگی پیرسون

محاسبه ضریب همبستگی پیرسون

این روش میان دو متغیر تصادفی برابر با کوواریانس آنها تقسیم بر انحراف معیار آنها تعریف می‌شود.

در مورد یک جامعهٔ آماری، ضریب همبستگی جامعه به صورت زیر تعریف می‌شود:

محاسبه ضریب همبستگی پیرسون

که در این معادله، cov کوواریانس، σx انحراف معیار متغیر X، µx میانگین متغیر X و E امید ریاضی است. منظور از امید ریاضی مقدارِ قابل انتظاری از یک متغیر تصادفیِ گسسته است که برابر است با مجموع حاصل‌ضرب احتمالِ وقوع هر یک از حالات ممکن در مقدار آن حالت.

برای یک نمونه آماری با n زوج داده (Xi, Yi)، ضریب همبستگی پیرسون به صورت زیر تعریف می‌شود:

correlation coefficient

فرمول زیر نیز معادل تعریف فوق است:

که در آن، کمیت‌ها به شکل زیر تعریف شده‌اند:

Correlation

همان طور که پیش از این گفته شد، ضریب همبستگی پیرسون بین -1 و 1 تغییر می‌کند. اگر   r=1  باشد، نشان دهنده رابطه مستقیم کامل بین دو متغیر است. رابطه مستقیم یا مثبت نشان می‌دهد که اگر یکی از متغیرها افزایش (کاهش) یابد، دیگری نیز افزایش (کاهش) می‌یابد.

در صورتی که r= -1 باشد، آن گاه رابطه معکوس کاملی بین دو متغیر وجود دارد. رابطه معکوس یا منفی حاکی از آن است که اگر یک متغیر افزایش یابد، متغیر دیگر کاهش می‌یابد و بر عکس.

زمانی که ضریب برابر صفر باشد، حاکی از آن است که بین دو متغیر رابطه خطی وجود ندارد.

استراتژی های استفاده از سفارش استاپ لیمیت (Stop Limit)

مشاهده مقاله

خصوصیات ضریب همبستگی پیرسون

با توجه به تعریف Pearson correlation coefficient، می‌توانیم به خصوصیات زیر برای آن اشاره کنیم:

  • بدون واحد بودن: ضریب همبستگی پیرسون به واحد اندازه‌گیری داده‌ها بستگی ندارد. به عبارت دیگر، این ضریب شاخصی بدون واحد است. گاهی اوقات، حتی آن را به صورت درصدی نیز نشان می‌دهند.
  • تقارن ضریب همبستگی پیرسون: روشن است که این روش دارای تقارن است چون COV(X,Y) = COV(Y,X).
  • اندازه‌گیری ارتباط خطی بین دو متغیر: هر چه مقدار ضریب همبستگی به ۱ یا ۱- نزدیک‌تر شود، وجود رابطه خطی بین دو متغیر بیشتر می‌شود. فرض کنید a+bX = Y، آنگاه ضریب همبستگی بین X , Y به صورت زیر محاسبه می‌شود:

اکنون، تلاش می‌کنیم تا صورت کسر ضریب همبستگی را ساده کنیم:

فرمول ساده کردن صورت کسر ضریب همبستگی

از سوی دیگر، برای واریانس داریم:

در نتیجه، برای ضریب همبستگی بین X و Y، خواهیم داشت:

ضریب همبستگی بین X و Y

البته، همین محاسبات را برای a-bX=Y نیز می‌توانیم انجام دهیم و نتیجه بگیریم که ضریب همبستگی پیرسون برای چنین رابطه خطی، برابر با ۱- است.

  • تعیین جهت همبستگی: در صورتی که این ضریب مثبت باشد، رابطه بین دو متغیر مستقیم و اگر منفی باشد، رابطه بین دو متغیر معکوس خواهد بود.
  • استقلال دو متغیر: در صورتی که دو متغیر مستقل از یکدیگر باشند، ضریب همبستگی پیرسون برابر با صفر خواهد بود. البته عکس این قضیه صادق نیست. یعنی ضریب همبستگی پیرسون ممکن است برای دو متغیر برابر با صفر باشد، در حالی که آن دو متغیر مستقل از یکدیگر نیستند.

در این حالت، اگر X یک متغیر تصادفی متقارن حول صفر باشد، یعنی E(X) = E(X3) = 0 و متغیر تصادفی y به صورت Y = X2 باشد، آن گاه ضریب همبستگی بین آنها برابر با صفر است اما روشن است که Y کاملا به X وابسته است. پس محاسبه ضریب همبستگی پیرسون به صورت زیر خواهد بود:

محاسبه ضریب همبستگی پیرسون برای دو متغیر مستقل

به این ترتیب، برای دو متغیر X و Y که به شدت به هم مرتبط هستند، ضریب برابر با صفر خواهد بود.

  • استقلال برای دو متغیر نرمال: اگر دو متغیر X و Y‌ توزیع نرمال داشته باشند، آن گاه صفر بودن ضریب همبستگی می‌تواند دلیلی برای استقلال دو متغیر تصادفی نرمال باشد.
  • ضریب همبستگی نمونه‌ای: اگر نمونه‌ای تصادفی با حجم n از متغیرهای تصادفی X و Y‌ به صورت (xi, yi) داشته باشیم، ضریب همبستگی پیرسون به صورت زیر محاسبه خواهد شد:
ضریب همبستگی نمونه ای

ضریب همبستگی رتبه‌ای اسپیرمن

با توجه به این که ضریب همبستگی پیرسون بر اساس میانگین و واریانس محاسبه می‌گردد، ممکن است در مقابل داده‌های دورافتاده، منحرف شده و میزان همبستگی را به درستی نشان ندهد. در چنین حالتی، ضریب همبستگی رتبه‌ای اسپیرمن مورد استفاده قرار می‌گیرد.

مانند ضریب پیرسون، ضریب همبستگی رتبه‌ای اسپیرمن میزان تمایل یک متغیر به پیروی کردن از مقدارهای متغیر دیگر را نشان می‌دهد. این شاخص همبستگی برای اولین بار، در سال 1904 توسط چارلز اسپیرمن (Charles Spearman)، دانشمند روانشناس انگلیسی، معرفی شد. او با استفاده از این شیوه توانست نظریه‌های خود در مورد شناخت و هوش را توسعه دهد.

چارلز اسپیرمن (Charles Spearman) معرف ضریب همبستگی رتبه‌ای اسپیرمن

در این نوع ضریب، به جای محاسبه روی مقدارها، از رتبه‌ها استفاده می‌شود. به همین خاطر است که به آن ضریب همبستگی رتبه‌ای گفته می‌شود. به این ترتیب، اگر rx1, rx2, …, rxn رتبه‌های مربوط به مقادیر x1, x2, …, xn و ry1, ry2, …, ryn رتبه‌های مربوط به مقادیر y1, y2, …, yn باشد، ضریب همبستگی رتبه‌ای اسپیرمن که به شکل rs نمایش داده می‌شود، مطابق با رابطه زیر محاسبه می‌شود:

ضریب همبستگی رتبه‌ای اسپیرمن

تفاوت مارجین و لوریج در معاملات فارکس

مشاهده مقاله

روشن است که در ضریب همبستگی رتبه‌ای اسپیرمن، مبنای محاسبه رتبه‌ها هستند، نه خود مقدارها. علاوه بر این، ضریب همبستگی اسپیرمن شدت رابطه خطی را ارزیابی نمی‌کند. به عبارت دیگر، ممکن است ضریب همبستگی رتبه‌ای اسپیرمن برابر با ۱ باشد در حالی که رابطه خطی بین دو متغیر وجود نداشته باشد.

مثال

برای داده‌های دوتایی (102,2000)، (101,500)، (10,100) و (0,1)، مقدار ضریب همبستگی اسپیرمن برابر با ۱ است، در حالی که نمودار ترسیمی رابطه خطی را نشان نمی‌دهد و ضریب همبستگی پیرسون برابر با 0.754 است.

نمودار ترسیمی ضریب همبستگی اسپیرمن و ضریب همبستگی پیرسون

ضریب هماهنگی کندال

مانند ضریب همبستگی اسپیرمن، ضریب هماهنگی کندال نیز به جای مقدار از ترتیب مقدارها برای اندازه‌گیری میزان وابستگی استفاده می‌کند. این شاخص برای اولین بار در سال 1938، توسط موریس کندال (Maurice Kendall)، دانشمند انگلیسی علم آمار معرفی شد. به وسیله این شاخص، او میزان همخوانی رتبه‌ها را ارزیابی نمود.

موریس کندال (Maurice Kendall) معرف ضریب هماهنگی کندال

فرض کنید زوج‌های (yn، xn)، … ، (y2، x2)، (y1، x1) مشاهدات متغیرهای X و Y هستند. زوج (yi، xi) و (yj، xj) هماهنگ (Concordant) هستند، یعنی اگر xi < xj باشد، آن گاه yi < yj خواهد بود. به عبارت دیگر، در صورتی که داده‌های این زوج‌ها را بر اساس مولفه اول یا دوم مرتب کنیم،‌ رتبه‌های یکسانی خواهند داشت. در حالت عکس، این زوج‌ها ناهماهنگ (Discordant) نامیده می‌شوند.

اکنون، بر اساس تعریف هماهنگ و ناهماهنگ که برای زوج‌ها ارائه شد، اگر تعداد زوج‌های هماهنگ و ناهماهنگ را به ترتیب، با |Con| و |Dis| نشان دهیم، ضریب هماهنگی کندال به صورت زیر محاسبه می‌شود:

محاسبه ضریب هماهنگی کندال

اسکالپ تریدینگ چیست + 3 استراتژی برتر آن

مشاهده مقاله

خصوصیات ضریب هماهنگی کندال

  • از آنجا که مخرج این کسر نشان دهنده تعداد انتخاب‌های زوج‌ها از بین n مشاهده است، همیشه بزرگتر از صورت است. بنابراین، ضریب همبستگی کندال از ۱ کوچکتر و از ۱- بزرگتر است.
  • در صورتی که تمام زوج‌ها با هم هماهنگ باشند، مقدار ضریب هماهنگی کندال برابر با 1 است.
  • در صورتی که تمام زوج‌ها ناهماهنگ باشند، مقدار ضریب هماهنگی کندال برابر با 1- است.
  • در صورتی که X و Y مستقل باشند، ضریب هماهنگی کندال نیز برابر با صفر خواهد بود.

شکل دیگری هم برای محاسبه ضریب هماهنگی کندال وجود دارد که از تابع علامت یا sgn استفاده می‌کند. منظور از sgn(x) همان علامت x است. در صورتی که علامت x مثبت باشد، sgn برابر با 1 و در صورتی که منفی باشد، sgn برابر با 1- خواهد بود. در صورتی که x برابر با صفر باشد، مقدار sgn صفر خواهد بود. بنابراین، ضریب هماهنگی کندال به صورت زیر محاسبه می‌شود:

مثال

محاسبات مربوط به ضریب همبستگی اسپیرمن و کندال برای داده‌های مثال ۱ در جدول زیر آورده شده است:

ضریب هماهنگی کندال

به عنوان مثال، زوج (1،1) نسبت به تمام زوج‌های دیگر هماهنگ است. بنابراین، میزان هماهنگی این زوج برابر با 8 و برای زوج دوم، 7 است. در نتیجه، مجموع تعداد هماهنگی‌ها برابر ۳۶ است.

پست قبلی

اسکالپر (Scalper) کیست؟ و چگونه یک اسکالپر موفق در فارکس شویم؟

پست‌ بعدی

نحوه استخراج رمز ارز هلیوم (HNT) با هات اسپات یا ماینر هلیوم

مرتبط پست ها

اوردر بوک (order book) چیست؟
فارکس

اوردر بوک (order book) یا دفتر سفارش چیست؟ و نحوه عملکرد آن در بازارهای معاملاتی

11
قرارداد فوروارد (Forward Contract) چیست؟
فارکس

قرارداد فوروارد (Forward Contract) چیست؟ + بررسی کاربرد و تفاوت آن با فیوچرز

17
معاملات نوسانی چیست؟
فارکس

معاملات نوسانی یا سوئینگ چیست و چگونه می‌توان از آن کسب سود کرد؟

27
هر لات چند دلار است؟
فارکس

هر لات چند دلار است؟ + نحوه محاسبه اندازه هر لات در بازار فارکس

24
پست‌ بعدی
استخراج رمز ارز هیلوم

نحوه استخراج رمز ارز هلیوم (HNT) با هات اسپات یا ماینر هلیوم

اشتراک در
وارد شدن
اطلاع از
guest
guest
0 دیدگاه
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها

اخبار پرطرفدار

  • ارز دیجیتال SLP چیست؟

    ارز SLP چیست و چرا نباید روی آن سرمایه گذاری کنیم؟

    105 اشتراک ها
    اشتراک گذاری 42 توئیت 26
  • پیش بینی قیمت اتریوم تا سال 2023 – آیا اتریوم در سال آینده مرز 5000 دلاری را رد می‌کند؟

    66 اشتراک ها
    اشتراک گذاری 26 توئیت 17
  • سایت استخراج ابری ترون (Tron Cloud Mining) + معرفی 5 سایت استخراج ابری TRX

    55 اشتراک ها
    اشتراک گذاری 22 توئیت 14
  • الگوی مثلث (Triangle Pattern) در تحلیل تکنیکال و 4 نوع آن

    51 اشتراک ها
    اشتراک گذاری 20 توئیت 13
  • دانلود کتاب تحلیل تکنیکال جان مورفی بصورت رایگان + pdf (ترجمه فارسی و نسخه اصلی)

    42 اشتراک ها
    اشتراک گذاری 17 توئیت 11
بلاگ تخصصی و جامع PCMFa بروکر

تیم محتوای PCMFa بروکر با بیش از 15 سال سابقه در زمینه آموزشی، خبری و تحلیلی دنیای اقتصاد

ما را دنبال کنید

آخرین مقالات

  • ارز زیلیکا نماینده نسل سوم ارزهای دیجیتال و حل مشکل مقیاس‌پذیری
  • آلت سیزن (AltSeason) چیست؟ – 0 تا 100 نحوه تشخیص آلت سیزن و زمان شروع آن
  • سواپ ارز دیجیتال (Swap) چیست؟ و بهترین پلتفرم‌های سواپ توکن برای ایرانیان کدامند؟
  • اوردر بوک (order book) یا دفتر سفارش چیست؟ و نحوه عملکرد آن در بازارهای معاملاتی
  • الگوریتم اثبات تاریخ (proof of history) چیست؟ + نحوه عملکرد POH در شبکه سولانا

پست های برتر

  • پرطرفدار
  • دیدگاه‌ها
  • اخیرا
دانلود کتاب تحلیل تکنیکال جان مورفی

دانلود کتاب تحلیل تکنیکال جان مورفی بصورت رایگان + pdf (ترجمه فارسی و نسخه اصلی)

سایت استخراج ابری ترون

سایت استخراج ابری ترون (Tron Cloud Mining) + معرفی 5 سایت استخراج ابری TRX

اوردر بوک (order book) چیست؟

اوردر بوک (order book) یا دفتر سفارش چیست؟ و نحوه عملکرد آن در بازارهای معاملاتی

2
منظور از رگوله چیست؟

منظور از رگوله چیست و چرا بروکر باید رگوله باشد؟

5
ارز زیلیکا

ارز زیلیکا نماینده نسل سوم ارزهای دیجیتال و حل مشکل مقیاس‌پذیری

آلت سیزن (alt season) چیست؟

آلت سیزن (AltSeason) چیست؟ – 0 تا 100 نحوه تشخیص آلت سیزن و زمان شروع آن

آخرین مقالات

ارز زیلیکا

ارز زیلیکا نماینده نسل سوم ارزهای دیجیتال و حل مشکل مقیاس‌پذیری

آلت سیزن (alt season) چیست؟

آلت سیزن (AltSeason) چیست؟ – 0 تا 100 نحوه تشخیص آلت سیزن و زمان شروع آن

سواپ (Swap) چیست؟

سواپ ارز دیجیتال (Swap) چیست؟ و بهترین پلتفرم‌های سواپ توکن برای ایرانیان کدامند؟

© 2023 - تمامی حقوق برای سایت پی سی ام فا بروکر محفوظ می باشد.

بدون نتیجه
مشاهده تمام نتایج
  • تحلیل‌گر شو
    • تحلیل سنتیمتال
    • تحلیل فاندامنتال
    • تحلیل تکنیکال
      • اندیکاتورها
      • الگوها
      • کندل ژاپنی
      • متفرقه
  • بازارهای مالی
    • فارکس
      • جفت ارزها
    • ابزارهای معاملاتی
    • ربات تریدر
    • کریپتو (Crypto)
      • معرفی رمزارزها
      • پیش بینی رمزارزها
      • استخراج رمزارزها
    • متفرقه
  • اخبار و تحلیل‌ها
  • دانشگاه تریدری
  • تقویم اقتصادی
  • آموزش فارکس
  • اصطلاحات رمزارز
  • دانلود متاتریدر
بازگشت به بروکر

© 2023 - تمامی حقوق برای سایت پی سی ام فا بروکر محفوظ می باشد.

خوش آمدید!

به حساب خود در زیر وارد شوید

رمز عبور را فراموش کرده اید؟

رمز عبور خود را بازیابی کنید

لطفا نام کاربری یا آدرس ایمیل خود را برای بازنشانی رمز عبور خود وارد کنید.

ورود به سیستم
wpDiscuz