Bayesianische Inferenz für den Handel — Aktualisierung von Überzeugungen mit Smart Money-Daten

Bayesianische Logik ist ideal für den Handel: Sie haben eine vorherige Überzeugung über die Preisrichtung und aktualisieren diese mit jedem neuen Beweisstück (On-Chain-Daten, Walaktivität, Funding Rates). Die Smart Money API liefert genau diese Art von Beweisen – aktualisieren Sie Ihre Überzeugungen und treffen Sie probabilistische Entscheidungen.

Schlüsselkonzept: Satz von Bayes: P(B|A) = P(A|B) × P(B) / P(A). Im Handel: P(Preis↑ | Wale↑) = Wie wahrscheinlich ist ein Preisanstieg, wenn Wale akkumulieren?

Satz von Bayes im Handel

Die Formel

Prior: P(Richtung) = Ihre anfängliche Überzeugung (60% Chance, dass BTC steigt)
Likelihood: P(Beweis | Richtung) = Wahrscheinlichkeit, diesen Beweis zu sehen, wenn die Richtung zutrifft
Beweis: P(Beweis) = Basisrate für das Auftreten dieses Beweises
Posterior: P(Richtung | Beweis) = Aktualisierte Überzeugung nach Beobachtung des Beweises

Beispiel: Walakkumulation als Beweis

Prior: 50% Chance, dass BTC steigt (Basislinie). Likelihood: Wenn BTC steigt, besteht eine 72%ige Chance, dass Wale akkumulieren (sie fronten Bewegungen). Wenn BTC seitwärts/fällt, nur 20%ige Chance auf Akkumulation. Beweis: Sie beobachten 250+ Wal-Wallets, die akkumulieren.

Python — Bayesianisches Update
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
# Total probability of evidence (law of total probability)
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% Wahrscheinlichkeit für Anstieg)
return posterior_up

Ergebnis: Nach Beobachtung der Walakkumulation steigt die Wahrscheinlichkeit für einen Anstieg von 50% auf 78%. Das ist ein starkes Signal für eine Long-Position.

Multi-Signal-Bayesian-Framework

Kombinieren Sie mehrere Beweisstücke (Smart Money API liefert drei: Derivate, On-Chain, Wale):

Python — Multi-Signal-Bayesian
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Sequential updating: start with prior, update with each signal
posterior = prior
# Signal 1: Derivate (Funding Rate, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # if up, 68% chance pos FR
# Signal 2: On-Chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # if up, 65% chance MVRV günstig
# Signal 3: Wale (Konsens, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # if up, 72% chance Wal-Konsens long
return posterior

Likelihood-Schätzung aus historischen Daten

Woher wissen Sie P(Beweis | Richtung)? Berechnen Sie aus Backtests:

Python — Kalibrierung der Likelihoods
def estimate_likelihoods(historical_data):
# Von allen Zeiten, in denen Wale long gingen, wie viele % sahen einen Preisanstieg in den nächsten 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
# Von allen Zeiten, in denen Wale short gingen, wie viele % sahen einen Preisverfall?
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}

Wetten auf Posterior-Wahrscheinlichkeiten

Sobald Sie eine Posterior-Wahrscheinlichkeit haben, setzen Sie proportional dazu:

Python — Kelly-Kriterium aus Posterior
def kelly_bet_size(posterior_prob, odds=1.1):
# Kelly-Kriterium: f = (b*p - q) / b
# p = Gewinnwahrscheinlichkeit, q = Verlustwahrscheinlichkeit, b = Quotenverhältnis
p = posterior_prob
q = 1 - p
b = odds - 1  # Wenn Sie gewinnen, erhalten Sie das 1.1-fache zurück (10% Profit)
kelly_frac = (b * p - q) / b
# Nutzen Sie 25% von Kelly für konservative Einschätzung
position_size = kelly_frac * 0.25
return max(0, position_size)  # niemals negativ
# Beispiel: posterior = 78%, Kelly = 6.5%, nutzen Sie 1.6% des Kontos

Konjugierte Priors für Effizienz

Für kontinuierliche Schätzungen (z.B. 'Wie hoch ist die wahre Gewinnrate von Walen?') nutzen Sie Beta-Priors:

Beta(α=1, β=1) = uniform (kein Vorwissen)
Beta(α=10, β=5) = glaubt, dass Wale ~67% gewinnen, aber unsicher
Beta(α=100, β=50) = starke Überzeugung von 67% Gewinnrate

Nach Beobachtung von N Gewinnen und M Verlusten ist das Posterior Beta(α + N, β + M). Diese konjugierte Struktur ermöglicht sofortige Aktualisierung ohne Sampling.

Treffen Sie probabilistische Entscheidungen mit Smart Money

Unsere API liefert zusammengesetzte Scores und Konfidenzniveaus – die exakten Eingaben für Bayesian-Frameworks. Bauen Sie ein Handelssystem, das Überzeugungen mit Walaktivität, On-Chain-Metriken und Derivatsignalen aktualisiert.

Bayesianischen Handel lernen →