SpaceGhost/Nexus-V11-Bollinger-Kinematics

---
language:
- pt
- en
license: mit
task_categories:
- image-to-text
- visual-question-answering
tags:
- trading
- finance
- vlm
- gemma-3
- unsloth
- bollinger-bands
- technical-analysis
dataset_info:
features:
- name: image
dtype: image
- name: conversations
list:
- name: from
dtype: string
- name: value
dtype: string
---

# Nexus-V11-Bollinger-Kinematics

## 🚀 Overview
Este é um dataset multimodal de alta precisão projetado para treinar **Vision-Language Models (VLMs)**, como o **Gemma 3**, para identificar exaustão e oportunidades de trading institucional usando a estratégia de **Bandas de Bollinger** (filosofia Didi Aguiar).

O dataset foi gerado usando uma técnica de **Hindsight Mining**, onde um algoritmo identifica os topos e fundos perfeitos no futuro e captura o "snapshot" exato do momento da decisão no passado.

## 📊 Dataset Composition
- **Volume:** 232 amostras milimetricamente rotuladas.
- **Timeframes:** 50% Gráfico de 1 Hora (1H) e 50% Gráfico de 4 Horas (4H).
- **Ativos:** BTC/USDT, ETH/USDT, SOL/USDT.
- **Formato:** Arquivo `.jsonl` (ShareGPT Multimodal) + Imagens Clean (sem eixos).

## 🧠 Decision Logic (The "Right-Edge" Principle)
Diferente de datasets estáticos, este modelo foi treinado com o princípio de que **"O Agora é a Ponta Direita"**.
- Todas as imagens terminam exatamente no candle de entrada ou saída.
- A IA aprende a ler a topologia das bandas de Bollinger (cor vermelha) em relação à distância do preço (linha preta) para prever a exaustão.

## 🛠️ Usage (Unsloth / Colab)
Este dataset é compatível nativamente com o ecossistema **Unsloth**. Para usar no seu notebook:

```python
from datasets import load_dataset
dataset = load_dataset("SpaceGhost/Nexus-V11-Bollinger-Kinematics", split="train")
```

## 📜 Strategy: Didi Aguiar Agulhada (Visual Adapt)
A lógica foca no estreitamento das bandas (Squeeze) seguido da expansão (Release).
- **COMPRA:** Preço toca/fura a banda inferior, bandas começam a abrir no fundo.
- **VENDA:** Preço estica a banda superior, bandas atingem afastamento máximo indicando sobrecompra.

----
*Desenvolvido por SpaceGhost - Nexus Intelligence Project.*

搜集汇总

数据集介绍

构建方式

在金融技术分析领域，Nexus-V11-Bollinger-Kinematics数据集的构建采用了前瞻性挖掘技术，旨在精准捕捉布林带策略的决策瞬间。该方法通过算法在历史数据中识别未来的理想价格顶点与底点，并回溯提取对应时刻的市场快照，从而生成高质量的多模态样本。数据集包含232个经过精细标注的实例，时间框架均衡分布于1小时与4小时图表，覆盖BTC/USDT、ETH/USDT及SOL/USDT等主流加密资产，所有图像均经过清洗处理，移除了坐标轴等冗余视觉元素，以突出价格与布林带的动态关系。

特点

该数据集的核心特征在于其动态决策逻辑与视觉化策略表达。不同于静态分析，数据集严格遵循“当下即右边缘”原则，每张图像均终止于实际的交易入场或出场蜡烛图，使模型能够学习价格与布林带拓扑结构的实时互动。其标注逻辑基于Didi Aguiar的“针刺”策略视觉适配，重点关注布林带收窄后的扩张阶段：买入信号对应于价格触及或突破下轨且带口开始扩张的底部形态，卖出信号则体现为价格拉伸上轨至最大间距的过买状态。这种设计强化了模型对市场衰竭与机构交易机会的识别能力。

使用方法

数据集专为视觉语言模型训练优化，尤其兼容Unsloth生态系统，便于在Colab等环境中快速部署。用户可通过Hugging Face的datasets库直接加载，使用标准代码即可导入训练集。数据以ShareGPT多模态格式存储，结合纯净图像与结构化对话内容，支持图像到文本及视觉问答任务。在实际应用中，模型可依据布林带形态与价格相对位置的视觉特征，进行交易决策推理，适用于金融时序分析、自动化策略验证及多模态人工智能在量化领域的进阶研究。

背景与挑战

背景概述

在金融量化分析与多模态人工智能交叉领域，Nexus-V11-Bollinger-Kinematics数据集由Nexus Intelligence Project的SpaceGhost团队于近期构建，旨在为视觉语言模型提供精准的训练资源。该数据集聚焦于技术分析中的布林带策略，特别是基于Didi Aguiar的交易哲学，通过捕捉价格动态与波段形态的视觉关联，以支持机构级交易机会与衰竭信号的识别。其核心研究问题在于如何将复杂的市场动力学转化为可被视觉语言模型理解的图像-文本对，从而推动金融时序分析与多模态人工智能的深度融合，对自动化交易系统和金融视觉问答领域具有显著的推动作用。

当前挑战

该数据集致力于解决金融视觉问答与交易信号识别领域的核心挑战，即如何从动态价格图表中精准提取并解释基于布林带的复杂技术形态，以预测市场转折点。在构建过程中，面临多重挑战：其一，采用后见之明挖掘技术生成数据，需精确回溯历史时点以捕捉决策瞬间的视觉快照，对时序对齐与数据纯净度要求极高；其二，遵循“右侧边缘”原则，确保所有图像终止于入场或出场蜡烛，这要求对价格序列进行毫米级切割与标注，以维持逻辑一致性；其三，在多资产、多时间框架下保持标注策略的普适性与准确性，避免过拟合特定市场条件，从而保障模型泛化能力。

常用场景

经典使用场景

在金融量化分析领域，Nexus-V11-Bollinger-Kinematics数据集为视觉语言模型提供了精准的训练素材，其核心应用场景在于模拟专业交易决策过程。该数据集通过捕捉布林带策略中价格触及上下轨时的关键形态，训练模型识别图表中的技术性衰竭信号与潜在交易机会。模型依据‘右边缘’原则，学习在特定时间框架内分析价格与布林带之间的动态关系，从而实现对市场转折点的视觉化预测。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在多模态金融预测模型的优化与扩展上。研究者们借鉴其‘后见之明挖掘’的数据构建方法，开发了更多专注于其他技术指标（如移动平均线、相对强弱指数）的视觉数据集。同时，基于Gemma 3等大型视觉语言模型的微调研究，进一步探索了模型在跨资产、跨时间框架的泛化能力，推动了自适应交易算法的发展。

数据集最近研究

最新研究方向

在金融科技与量化交易领域，多模态视觉语言模型正逐步革新传统技术分析方法。Nexus-V11-Bollinger-Kinematics数据集以其前瞻性的后见挖掘技术，精准捕捉布林带策略中的机构交易信号，为模型训练提供了时序与视觉融合的高质量样本。当前研究聚焦于利用此类数据集增强模型对市场拓扑结构的动态解读能力，特别是在加密货币波动环境中识别波段衰竭与突破时机。这一方向不仅推动了自适应交易算法的演进，也为低延迟决策系统提供了可解释的视觉依据，标志着从静态指标分析向实时边缘智能决策的重要转变。