TypeScript 피벗 군집 · 선형회귀 알고리즘

차트의 지지·저항선은 단순히 두 점을 연결하는 것으로 끝나지 않습니다. 많은 피벗 중 의미 있는 조합을 찾고, 가격 움직임과 얼마나 잘 맞는지 평가하며, 선정 이유를 사용자가 확인할 수 있어야 합니다.

• 후보 조합이 많아질수록 계산과 검증 기준이 복잡해집니다.
• 데이터와 조건이 같다면 결과도 같아야 합니다.
• 선만 표시하는 것이 아니라 선정 근거를 설명해야 합니다.

OHLC Data
    ↓
Pivot Extraction
    ↓
Clustering
    ↓
Linear Regression
    ↓
Candidate Scoring
    ↓
Filter & Select
    ↓
Chart Layer Rendering

1. Pivot Extraction — 국소 고점과 저점을 후보 피벗으로 추출합니다.
2. Clustering — 시간·가격상 가까운 피벗을 군집화합니다.
3. Linear Regression — 군집별로 추세를 설명하는 후보선을 생성합니다.
4. Candidate Scoring — 접촉, 가격 반응, 오차, 돌파 기준으로 후보를 평가합니다.
5. Filter & Select — 기준을 통과한 후보만 지지·저항선으로 선택합니다.
6. Visualization — 선택된 선과 평가 근거를 별도 차트 레이어에 표시합니다.

모든 점의 조합을 직접 선으로 만드는 대신, 먼저 피벗을 추출하고 유사한 피벗을 군집화해 후보 공간을 줄였습니다. 각 군집에 선형회귀를 적용해 여러 피벗의 전체 경향을 반영하는 후보선을 생성했습니다.

type Pivot = {
  index: number
  price: number
  kind: 'high' | 'low'
}

type CandidateLine = {
  slope: number
  intercept: number
  pivots: Pivot[]
}

score = contactWeight
      + reactionWeight
      - errorPenalty
      - breakoutPenalty

생성 단계와 평가 단계를 분리해 평가 기준의 변경이 후보 생성 로직에 영향을 주지 않도록 구성했습니다.

• 후보 생성과 검증 단계를 분리했습니다.
• 동일한 입력 데이터와 조건에서는 같은 결과가 나오도록 결정적 흐름을 유지했습니다.
• 선택된 선뿐 아니라 접촉·오차·돌파 등 평가 근거를 함께 보관했습니다.
• 평가 결과를 별도 차트 레이어에 표시해 사용자가 선정 이유를 확인할 수 있게 했습니다.

알고리즘 결과의 정확도만큼, 사용자가 결과를 검증할 수 있는 설명 가능성이 중요했습니다.

• 피벗 군집과 회귀를 통해 후보 생성 범위를 구조화했습니다.
• 여러 평가 기준을 조합해 후보선의 품질을 비교했습니다.
• 선정 결과와 근거를 차트에서 함께 확인할 수 있습니다.

• TypeScript
• Data Structures
• Pivot Detection
• Clustering
• Linear Regression
• Candidate Scoring