Bayesovská inference pro obchodování — Aktualizace přesvědčení pomocí dat Smart Money

Bayesovské uvažování je ideální pro obchodování: máte předchozí přesvědčení o směru ceny a aktualizujete ho s každým novým důkazem (on-chain data, aktivita velryb, funding rates). Smart Money API poskytuje právě tento typ důkazů — aktualizujte svá přesvědčení a dělejte pravděpodobnostní rozhodnutí.

Klíčový koncept: Bayesova věta: P(B|A) = P(A|B) × P(B) / P(A). V obchodování: P(Cena↑ | Velryby↑) = jaká je pravděpodobnost růstu ceny, pokud velryby akumulují?

Bayesova věta v obchodování

Vzorec

Předchozí: P(Směr) = vaše počáteční přesvědčení (60% šance, že BTC poroste)
Pravděpodobnost: P(Důkaz | Směr) = pravděpodobnost, že uvidíte tento důkaz, pokud je směr pravdivý
Důkaz: P(Důkaz) = základní míra výskytu tohoto důkazu
Následné: P(Směr | Důkaz) = aktualizované přesvědčení po pozorování důkazu

Příklad: Akumulace velryb jako důkaz

Předchozí: 50% šance, že BTC poroste (základní linie). Pravděpodobnost: Pokud BTC poroste, je 72% šance, že velryby akumulují (předbíhají pohyby). Pokud BTC zůstane stabilní/klesá, je pouze 20% šance akumulace. Důkaz: Pozorujete akumulaci ve více než 250 peněženkách velryb.

Python — Bayesovská aktualizace
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# Prior
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# Evidence likelihood
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Celková pravděpodobnost důkazu (zákon celkové pravděpodobnosti)
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# Posterior: P(Up | Evidence) = Bayes
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783 (78.3% šance na růst)
return posterior_up

Výsledek: Po pozorování akumulace velryb se pravděpodobnost růstu zvýšila z 50% na 78%. To je silný signál pro long pozici.

Multi-Signal Bayesovský rámec

Kombinujte více důkazů (Smart Money API vám poskytuje tři: deriváty, on-chain, velryby):

Python — Multi-signal Bayesovský
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Sekvenční aktualizace: začněte s předchozím, aktualizujte každým signálem
posterior = prior
# Signál 1: Deriváty (funding rate, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # pokud roste, 68% šance na pozitivní FR
# Signál 2: On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # pokud roste, 65% šance na příznivé MVRV
# Signál 3: Velryby (konsenzus, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # pokud roste, 72% šance, že velryby jsou long
return posterior

Odhad pravděpodobnosti z historických dat

Jak zjistíte P(Důkaz | Směr)? Vypočítejte z backtestů:

Python — Kalibrace pravděpodobností
def estimate_likelihoods(historical_data):
# Ze všech případů, kdy velryby šly long, v kolika % cena rostla následující 4h?
whale_long_ups = len(historical_data[(historical_data['whale_long'] == True) & (historical_data['next_4h_up'] == True)])
whale_long_total = len(historical_data[historical_data['whale_long'] == True])
p_up_given_whale_long = whale_long_ups / whale_long_total  # 0.62
# Ze všech případů, kdy velryby šly short, v kolika % cena klesla?
whale_short_downs = len(historical_data[(historical_data['whale_long'] == False) & (historical_data['next_4h_up'] == False)])
whale_short_total = len(historical_data[historical_data['whale_long'] == False])
p_down_given_whale_short = whale_short_downs / whale_short_total  # 0.58
return {'p_up_given_whale_long': p_up_given_whale_long, 'p_down_given_whale_short': p_down_given_whale_short}

Sázení na následné pravděpodobnosti

Jakmile máte následnou pravděpodobnost, velikost sázky přizpůsobte proporčně:

Python — Kellyho kritérium z následné pravděpodobnosti
def kelly_bet_size(posterior_prob, odds=1.1):
# Kellyho kritérium: f = (b*p - q) / b
# p = pravděpodobnost výhry, q = pravděpodobnost ztráty, b = poměr kurzů
p = posterior_prob
q = 1 - p
b = odds - 1  # pokud vyhrajete, dostanete zpět 1.1x (10% zisk)
kelly_frac = (b * p - q) / b
# Použijte 25% Kellyho kritéria pro konzervativní přístup
position_size = kelly_frac * 0.25
return max(0, position_size)  # nikdy záporné
# Příklad: následná pravděpodobnost = 78%, Kelly = 6.5%, použijte 1.6% účtu

Konjugované předchozí pro efektivitu

Pro spojité odhady (např. "jaká je skutečná úspěšnost velryb?") použijte Beta předchozí:

Beta(α=1, β=1) = rovnoměrné (žádné předchozí znalosti)
Beta(α=10, β=5) = věří, že velryby vyhrávají ~67%, ale nejisté
Beta(α=100, β=50) = silné přesvědčení o 67% úspěšnosti

Po pozorování N výher a M proher je následné Beta(α + N, β + M). Tato konjugovaná struktura umožňuje okamžitou aktualizaci bez vzorkování.

Dělejte pravděpodobnostní rozhodnutí s Smart Money

Naše API vrací složené skóre a úrovně důvěry — přesné vstupy pro Bayesovské rámce. Vytvořte obchodní systém, který aktualizuje přesvědčení s aktivitou velryb, on-chain metrikami a signály derivátů.

Naučte se Bayesovské obchodování →