Inférence bayésienne pour le trading — Mise à jour des croyances avec les données Smart Money

Le raisonnement bayésien est idéal pour le trading : vous avez une croyance préalable sur la direction des prix, puis vous la mettez à jour avec chaque nouvelle preuve (données on-chain, activité des baleines, taux de financement). Smart Money API fournit exactement ce type de preuve — mettez à jour vos croyances et prenez des décisions probabilistes.

Concept clé : Théorème de Bayes : P(B|A) = P(A|B) × P(B) / P(A). Dans le trading : P(Prix↑ | Baleines↑) = quelle est la probabilité que le prix monte étant donné que les baleines accumulent ?

Théorème de Bayes dans le trading

La formule

A priori : P(Direction) = votre croyance initiale (60% de chances que le BTC monte)
Vraisemblance : P(Preuve | Direction) = probabilité que vous voyiez cette preuve si la direction est vraie
Preuve : P(Preuve) = taux de base de voir cette preuve
A posteriori : P(Direction | Preuve) = croyance mise à jour après observation de la preuve

Exemple : L'accumulation des baleines comme preuve

A priori : 50% de chances que le BTC monte (base). Vraisemblance : Si le BTC monte, il y a 72% de chances que les baleines accumulent (elles anticipent les mouvements). Si le BTC reste stable ou baisse, seulement 20% de chances d'accumulation. Preuve : Vous observez plus de 250 portefeuilles de baleines accumulant.

Python — Mise à jour bayésienne
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# A priori
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# Vraisemblance de la preuve
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Probabilité totale de la preuve (loi des probabilités totales)
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# A posteriori : 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 chances de monter)
return posterior_up

Résultat : Après avoir observé l'accumulation des baleines, la probabilité de hausse passe de 50% à 78%. C'est un signal fort pour prendre une position longue.

Cadre bayésien multi-signaux

Combinez plusieurs preuves (Smart Money API vous en donne trois : dérivés, on-chain, baleines) :

Python — Bayésien multi-signaux
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Mise à jour séquentielle : commencez par l'a priori, mettez à jour avec chaque signal
posterior = prior
# Signal 1 : Dérivés (taux de financement, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # si hausse, 68% de chances de FR positif
# Signal 2 : On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # si hausse, 65% de chances que MVRV soit favorable
# Signal 3 : Baleines (consensus, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # si hausse, 72% de chances que le consensus des baleines soit long
return posterior

Estimation de la vraisemblance à partir des données historiques

Comment connaître P(Preuve | Direction) ? Calculez à partir des backtests :

Python — Calibration des vraisemblances
def estimate_likelihoods(historical_data):
# Parmi toutes les fois où les baleines étaient longues, quel % a vu le prix monter dans les 4h suivantes ?
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
# Parmi toutes les fois où les baleines étaient courtes, quel % a vu le prix baisser ?
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}

Parier sur les probabilités a posteriori

Une fois que vous avez une probabilité a posteriori, dimensionnez votre pari proportionnellement :

Python — Critère de Kelly à partir de l'a posteriori
def kelly_bet_size(posterior_prob, odds=1.1):
# Critère de Kelly : f = (b*p - q) / b
# p = probabilité de gain, q = probabilité de perte, b = ratio de cotes
p = posterior_prob
q = 1 - p
b = odds - 1  # si vous gagnez, vous récupérez 1.1x (10% de profit)
kelly_frac = (b * p - q) / b
# Utilisez 25% de Kelly pour être conservateur
position_size = kelly_frac * 0.25
return max(0, position_size)  # jamais négatif
# Exemple : a posteriori = 78%, Kelly = 6.5%, utilisez 1.6% du compte

Priors conjugués pour l'efficacité

Pour les estimations continues (par exemple, "quel est le vrai taux de réussite des baleines ?"), utilisez des priors Beta :

Beta(α=1, β=1) = uniforme (aucune connaissance préalable)
Beta(α=10, β=5) = croit que les baleines gagnent ~67% mais incertain
Beta(α=100, β=50) = forte croyance en un taux de réussite de 67%

Après avoir observé N gains et M pertes, l'a posteriori est Beta(α + N, β + M). Cette structure conjuguée vous permet de mettre à jour instantanément sans échantillonnage.

Prenez des décisions probabilistes avec Smart Money

Notre API renvoie des scores composites et des niveaux de confiance — les entrées exactes pour les cadres bayésiens. Construisez un système de trading qui met à jour les croyances avec l'activité des baleines, les métriques on-chain et les signaux des dérivés.

Apprenez le trading bayésien →