Bayesian Inference for Trading — Memperbarui Keyakinan dengan Data Smart Money

Bayesian reasoning sangat ideal untuk trading: Anda memiliki keyakinan awal tentang arah harga, kemudian memperbaruinya dengan setiap bukti baru (data on-chain, aktivitas whale, funding rates). Smart Money API menyediakan jenis bukti ini—perbarui keyakinan Anda dan buat keputusan probabilistik.

Konsep utama: Teorema Bayes: P(B|A) = P(A|B) × P(B) / P(A). Dalam trading: P(Harga↑ | Whales↑) = seberapa besar kemungkinan harga naik jika whale sedang mengakumulasi?

Teorema Bayes dalam Trading

Rumus

Prior: P(Arah) = keyakinan awal Anda (60% kemungkinan BTC naik)
Likelihood: P(Bukti | Arah) = kemungkinan Anda melihat bukti ini jika arah benar
Bukti: P(Bukti) = tingkat dasar melihat bukti ini
Posterior: P(Arah | Bukti) = keyakinan yang diperbarui setelah mengamati bukti

Contoh: Akumulasi Whale sebagai Bukti

Prior: 50% kemungkinan BTC naik (baseline). Likelihood: Jika BTC naik, ada 72% kemungkinan whale mengakumulasi (mereka mendahului pergerakan). Jika BTC tetap datar/turun, hanya 20% kemungkinan akumulasi. Bukti: Anda mengamati 250+ wallet whale yang mengakumulasi.

Python — Pembaruan Bayesian
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
# Likelihood bukti
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Total probabilitas bukti (hukum probabilitas 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 | Bukti) = Bayes
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783 (78.3% kemungkinan naik)
return posterior_up

Hasil: Setelah mengamati akumulasi whale, probabilitas naik bergerak dari 50% ke 78%. Itu adalah sinyal kuat untuk long.

Kerangka Bayesian Multi-Sinyal

Gabungkan beberapa bukti (Smart Money API memberi Anda tiga: derivatif, on-chain, whale):

Python — Bayesian multi-sinyal
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Pembaruan berurutan: mulai dengan prior, perbarui dengan setiap sinyal
posterior = prior
# Sinyal 1: Derivatif (funding rate, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # jika naik, 68% kemungkinan FR positif
# Sinyal 2: On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # jika naik, 65% kemungkinan MVRV menguntungkan
# Sinyal 3: Whale (konsensus, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # jika naik, 72% kemungkinan konsensus whale long
return posterior

Estimasi Likelihood dari Data Historis

Bagaimana Anda mengetahui P(Bukti | Arah)? Hitung dari backtest:

Python — Kalibrasi likelihood
def estimate_likelihoods(historical_data):
# Dari semua kali whale long, berapa % melihat harga naik dalam 4 jam berikutnya?
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
# Dari semua kali whale short, berapa % melihat harga turun?
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}

Bertaruh pada Probabilitas Posterior

Setelah Anda memiliki probabilitas posterior, sesuaikan ukuran taruhan Anda secara proporsional:

Python — Kelly Criterion dari posterior
def kelly_bet_size(posterior_prob, odds=1.1):
# Kelly Criterion: f = (b*p - q) / b
# p = probabilitas menang, q = probabilitas kalah, b = rasio odds
p = posterior_prob
q = 1 - p
b = odds - 1  # jika Anda menang, Anda mendapatkan kembali 1.1x (keuntungan 10%)
kelly_frac = (b * p - q) / b
# Gunakan 25% dari Kelly untuk konservatif
position_size = kelly_frac * 0.25
return max(0, position_size)  # tidak pernah negatif
# Contoh: posterior = 78%, Kelly = 6.5%, gunakan 1.6% dari akun

Prior Konjugasi untuk Efisiensi

Untuk estimasi kontinu (misalnya, "berapa tingkat kemenangan sebenarnya dari whale?"), gunakan prior Beta:

Beta(α=1, β=1) = seragam (tidak ada pengetahuan sebelumnya)
Beta(α=10, β=5) = percaya whale menang ~67% tetapi tidak pasti
Beta(α=100, β=50) = keyakinan kuat pada tingkat kemenangan 67%

Setelah mengamati N kemenangan dan M kekalahan, posterior adalah Beta(α + N, β + M). Struktur konjugasi ini memungkinkan Anda memperbarui secara instan tanpa sampling.

Buat keputusan probabilistik dengan Smart Money

API kami mengembalikan skor komposit dan tingkat kepercayaan—input yang tepat untuk kerangka Bayesian. Bangun sistem trading yang memperbarui keyakinan dengan aktivitas whale, metrik on-chain, dan sinyal derivatif.

Pelajari Bayesian Trading →