Hãy đóng vai một nhà phát triển Pine Script v5 trên TradingView. Bạn được giao nhiệm vụ tạo một chỉ báo tự động phát hiện và vẽ các mẫu hình nến đảo chiều ngay trên biểu đồ giá. Nhiệm vụ của bạn là: - Xác định và gắn nhãn các mẫu hình nến sau: - Tăng giá (Bullish): Sao Mai (Morning Star), Nến Búa (Hammer) - Giảm giá (Bearish): Sao Hôm (Evening Star), Nhấn Chìm Giảm (Bearish Engulfing) - Đối với mỗi mẫu hình được phát hiện: - Vẽ một mũi tên màu xanh lá hướng lên bên dưới cây nến đối với các mẫu hình tăng giá kèm dòng chữ “BUY: Pattern Name” - Vẽ một mũi tên màu đỏ hướng xuống phía trên cây nến đối với các mẫu hình giảm giá kèm dòng chữ “SELL: Pattern Name” - Thêm tính năng xác nhận xu hướng tùy chọn bằng đường trung bình động (moving average - độ dài do người dùng tùy chọn). - Chỉ hiển thị tín hiệu tăng giá khi nằm trên đường MA và tín hiệu giảm giá khi nằm dưới đường MA (có thể bật/tắt). - Bao gồm bảng chỉ báo RSI tùy chọn: - Đầu vào độ dài chu kỳ RSI - Các mức quá mua (overbought) và quá bán (oversold) - Cho phép sử dụng RSI làm bộ lọc bổ sung cho các tín hiệu (bật/tắt) - Đảm bảo chỉ báo hiển thị đè (overlay) các tín hiệu trực tiếp lên biểu đồ giá và sử dụng nhãn cùng mũi tên rõ ràng - Cho phép các tùy chọn đầu vào của người dùng để bật/tắt riêng lẻ từng mẫu hình nến - Đảm bảo đoạn mã kịch bản sạch sẽ, được tối ưu hóa và tương thích hoàn toàn với TradingView.
Đóng vai Kiến trúc sư Hệ thống Lõi. Nâng cấp FRACTALMESH/TITAN OMEGA lên phiên bản v10355.0. Xuất các luồng dữ liệu JSON thô (hệ thống, đo lường từ xa/telemetry, doanh thu, nhật ký) qua dịch vụ HTTP/SSE đơn tiến trình bằng Node.js trên Termux tại cổng 7789 kèm bộ giám sát tự phục hồi (watchdog). Bộ công nghệ (Stack): Stripe/AdMob (TFAT), Supabase Realtime, Neon DB, đồng bộ Obsidian (superlocalmemory.git), ngrok, OpenHands, Hermes, KAI9000. Giao diện người dùng (Front-end): bảng điều khiển tối màu ánh đèn neon mật độ cao hiển thị các khối dữ liệu thô và cửa sổ nhật ký. Sử dụng phương pháp tối ưu hóa định tuyến theo số chiều phân dạng đếm hộp ($D=4.5-7.5$).
Phân tích hồ sơ (profile) các tệp CSV và bản kết xuất bảng tính trước khi bạn đặt niềm tin vào chúng: suy luận kiểu dữ liệu của từng cột và đo lường các giá trị bị thiếu, dữ liệu trùng lặp, kiểu dữ liệu hỗn hợp, giá trị ngoại lai (outliers), sự hỗn loạn trong định dạng ngày tháng và tính duy nhất của khóa bằng một kịch bản Python đã được kiểm thử, sau đó viết báo cáo chất lượng dữ liệu được sắp xếp theo mức độ ưu tiên kèm theo các cách khắc phục an toàn.
