Inferencia Bayesiana para Trading — Actualización de Creencias con Datos de Smart Money

El razonamiento bayesiano es ideal para el trading: tienes una creencia previa sobre la dirección del precio, luego la actualizas con cada nueva evidencia (datos on-chain, actividad de ballenas, tasas de financiamiento). Smart Money API proporciona exactamente este tipo de evidencia—actualiza tus creencias y toma decisiones probabilísticas.

Concepto clave: Teorema de Bayes: P(B|A) = P(A|B) × P(B) / P(A). En trading: P(Precio↑ | Ballenas↑) = ¿qué probabilidad hay de que el precio suba dado que las ballenas están acumulando?

Teorema de Bayes en Trading

La Fórmula

Previo: P(Dirección) = tu creencia inicial (60% de probabilidad de que BTC suba)
Verosimilitud: P(Evidencia | Dirección) = probabilidad de que veas esta evidencia si la dirección es verdadera
Evidencia: P(Evidencia) = tasa base de ver esta evidencia
Posterior: P(Dirección | Evidencia) = creencia actualizada después de observar la evidencia

Ejemplo: Acumulación de Ballenas como Evidencia

Previo: 50% de probabilidad de que BTC suba (línea base). Verosimilitud: Si BTC sube, hay un 72% de probabilidad de que las ballenas acumulen (anticipan movimientos). Si BTC se mantiene plano/baja, solo un 20% de probabilidad de acumulación. Evidencia: Observas más de 250 billeteras de ballenas acumulando.

Python — Actualización Bayesiana
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# Previo
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# Verosimilitud de la evidencia
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Probabilidad total de la evidencia (ley de la probabilidad total)
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% de probabilidad de subir)
return posterior_up

Resultado: Después de observar la acumulación de ballenas, la probabilidad de subida pasa del 50% al 78%. Es una señal fuerte para ir largo.

Marco Bayesiano de Múltiples Señales

Combina múltiples piezas de evidencia (Smart Money API te da tres: derivados, on-chain, ballenas):

Python — Bayesiano de Múltiples Señales
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Actualización secuencial: comienza con el previo, actualiza con cada señal
posterior = prior
# Señal 1: Derivados (tasa de financiamiento, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # si sube, 68% de probabilidad de FR positivo
# Señal 2: On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # si sube, 65% de probabilidad de MVRV favorable
# Señal 3: Ballenas (consenso, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # si sube, 72% de probabilidad de consenso largo de ballenas
return posterior

Estimación de Verosimilitud a partir de Datos Históricos

¿Cómo sabes P(Evidencia | Dirección)? Calcula a partir de backtests:

Python — Calibrar verosimilitudes
def estimate_likelihoods(historical_data):
# De todas las veces que las ballenas fueron largas, ¿qué % vio el precio subir en las próximas 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
# De todas las veces que las ballenas fueron cortas, ¿qué % vio el precio bajar?
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}

Apuesta en Probabilidades Posteriores

Una vez que tienes una probabilidad posterior, ajusta tu apuesta proporcionalmente:

Python — Criterio de Kelly a partir de la posterior
def kelly_bet_size(posterior_prob, odds=1.1):
# Criterio de Kelly: f = (b*p - q) / b
# p = probabilidad de ganar, q = probabilidad de perder, b = ratio de odds
p = posterior_prob
q = 1 - p
b = odds - 1  # si ganas, recuperas 1.1x (10% de ganancia)
kelly_frac = (b * p - q) / b
# Usa el 25% de Kelly para ser conservador
position_size = kelly_frac * 0.25
return max(0, position_size)  # nunca negativo
# Ejemplo: posterior = 78%, Kelly = 6.5%, usa 1.6% de la cuenta

Priores Conjugados para Eficiencia

Para estimaciones continuas (por ejemplo, "¿cuál es la tasa de ganancia real de las ballenas?"), usa priores Beta:

Beta(α=1, β=1) = uniforme (sin conocimiento previo)
Beta(α=10, β=5) = cree que las ballenas ganan ~67% pero es incierto
Beta(α=100, β=50) = fuerte creencia en una tasa de ganancia del 67%

Después de observar N ganancias y M pérdidas, la posterior es Beta(α + N, β + M). Esta estructura conjugada te permite actualizar instantáneamente sin muestreo.

Toma decisiones probabilísticas con Smart Money

Nuestra API devuelve puntajes compuestos y niveles de confianza—los insumos exactos para marcos bayesianos. Construye un sistema de trading que actualice creencias con actividad de ballenas, métricas on-chain y señales de derivados.

Aprende Trading Bayesiano →