En volatilitetsmodell. Når kursen forandres, er det mye som er det dags at agera. Da er det stor sjanse for kursen fortsetter i retningen for utbruddet også en god tid etter en hendelse. Gäller både opp som ner. Generell brukar utbrottet oppåt gå långsammare enn nedåt. Det er her løser de her modellene med førstora den siste kurskillnaden når den sammenlignes med et middel av de siste dagenes kursskillnader. Den her modellen konsentrerer seg på høy vinstchans.

Tolkning:

• Kjøp nær kursen slår om fra rött till grønt.
• Sälj när kursen slår om från grönt till rött

Tänk på at det er periodens sluttkurs som gjelder for signal. Om du t.ex. handler under dagen og får et signal i dagsdiagrammet, kommer den signalen kanskje att vi kommer senere om kursen endrer sig tilbake.

Jämför aktuell volatilitet med en gjennomsnittlig volatilitet multiplikator med valbar köp- og säljmultiplikator. I tillegg er volatiliteten av vekten av RSI. For aksjer som kreves mye, kreves det høyere volatilitetsmultiplikator og lav multiplikator for rolige aksjer. Viktat RSI:s retning brukes for å lange RSI-verdier kan være for sakte, men er RSI og mye bra modell.

Dette er en modell med høy vinstchans. En av de mest treffsikre modellerna i Vikingen. Ställs modellens grenseverdier i for respektive aksje, kan man historisk komme opp i 70% vinstchans ved minst 25 salg. Det betyr også at 30% av affärene har gått med forlust. Dette er langt bedre enn de fleste modeller. Fordi modeller med dagsdata er vanskelige å tjene penger på, er denne modellen et måte å komme til retta med det. Det her en av å få modeller som fungerer hyfsat på dagsdata. Fungerar bra även när kursen står still och ger då få signaler, dvs lite onödig handel. Nackdelen er at når utbruddet kommer med samme volatilitet som innenfor, reagerar inte modellen.

Den kan brukes som en modell for å basere sin handel på. Den fungerer for Intraday-Dag-Vecko- og månedsdata. Tusentals tester har lett fram til denne modellen som er framtagen av Peter Östevik under 1990-talet og fungerer fortsatt (2016).