Bayesian Inference for Trading — ធ្វើឱ្យជំនឿរបស់អ្នកទាន់សម័យជាមួយទិន្នន័យ Smart Money

ការហេតុផល Bayesian គឺល្អឥតខ្ចោះសម្រាប់ការជួញដូរ៖ អ្នកមានជំនឿដំបូងអំពីទិសដៅតម្លៃ បន្ទាប់មកធ្វើឱ្យវាទាន់សម័យជាមួយភស្តុតាងថ្មីៗគ្នា (ទិន្នន័យ on-chain សកម្មភាពអ្នកលក់ដុំ អត្រាកំណែទម្រង់)។ Smart Money API ផ្តល់ឱ្យអ្នកនូវភស្តុតាងបែបនេះពិតប្រាកដ — ធ្វើឱ្យជំនឿរបស់អ្នកទាន់សម័យ និងធ្វើការសំរេចចិត្តប្រូបាប៊ីលីតេ។

គំនិតសំខាន់៖ ទ្រឹស្តីបទ Bayes៖ P(B|A) = P(A|B) × P(B) / P(A)។ ក្នុងការជួញដូរ៖ P(តម្លៃ↑ | អ្នកលក់ដុំ↑) = តើមានប៉ុន្មានឱកាសដែលតម្លៃកើនឡើង ដោយផ្អែកលើការអ្នកលក់ដុំកំពុងសន្សំ?

ទ្រឹស្តីបទ Bayes ក្នុងការជួញដូរ

រូបមន្ត

ដំបូង៖ P(ទិសដៅ) = ជំនឿដំបូងរបស់អ្នក (60% ឱកាស BTC ឡើង)
លទ្ធភាព៖ P(ភស្តុតាង | ទិសដៅ) = ប្រូបាប៊ីលីតេដែលអ្នកនឹងឃើញភស្តុតាងនេះ ប្រសិនបើទិសដៅពិត
ភស្តុតាង៖ P(ភស្តុតាង) = អត្រាមូលដ្ឋាននៃការឃើញភស្តុតាងនេះ
ក្រោយ៖ P(ទិសដៅ | ភស្តុតាង) = ជំនឿដែលបានធ្វើឱ្យទាន់សម័យបន្ទាប់ពីសង្កេតភស្តុតាង

ឧទាហរណ៍៖ ការសន្សំរបស់អ្នកលក់ដុំជាភស្តុតាង

ដំបូង៖ 50% ឱកាស BTC ឡើង (គោលដៅ)។ លទ្ធភាព៖ ប្រសិនបើ BTC ឡើង មាន 72% ឱកាសដែលអ្នកលក់ដុំសន្សំ (ពួកគេរត់មុខដំណើរការ)។ ប្រសិនបើ BTC ឋិតនៅ/ធ្លាក់ មានតែ 20% ឱកាសនៃការសន្សំ។ ភស្តុតាង៖ អ្នកសង្កេតឃើញ 250+ កាបូបអ្នកលក់ដុំកំពុងសន្សំ។

Python — ធ្វើឱ្យទាន់សម័យ Bayesian
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# ដំបូង
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# លទ្ធភាពភស្តុតាង
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# ប្រូបាប៊ីលីតេសរុបនៃភស្តុតាង (ច្បាប់នៃប្រូបាប៊ីលីតេសរុប)
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# ក្រោយ៖ P(ឡើង | ភស្តុតាង) = Bayes
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783 (78.3% ឱកាសឡើង)
return posterior_up

លទ្ធផល៖ បន្ទាប់ពីសង្កេតការសន្សំរបស់អ្នកលក់ដុំ ប្រូបាប៊ីលីតេនៃការឡើងផ្លាស់ប្តូរពី 50% ទៅ 78%។ នោះជាសញ្ញាខ្លាំងដើម្បីធ្វើការលក់វែង។

គោលការណ៍ Bayesian ពហុសញ្ញា

ផ្សំភស្តុតាងច្រើន (Smart Money API ផ្តល់ឱ្យអ្នកបី៖ derivatives, on-chain, អ្នកលក់ដុំ)៖

Python — Bayesian ពហុសញ្ញា
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# ធ្វើឱ្យទាន់សម័យតាមលំដាប់៖ ចាប់ផ្តើមជាមួយដំបូង ធ្វើឱ្យទាន់សម័យជាមួយសញ្ញានីមួយៗ
posterior = prior
# សញ្ញា 1៖ Derivatives (អត្រាកំណែទម្រង់, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # ប្រសិនបើឡើង 68% ឱកាស FR វិជ្ជមាន
# សញ្ញា 2៖ On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # ប្រសិនបើឡើង 65% ឱកាស MVRV អំណោយផល
# សញ្ញា 3៖ អ្នកលក់ដុំ (ការយល់ព្រម, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # ប្រសិនបើឡើង 72% ឱកាសការយល់ព្រមអ្នកលក់ដុំវែង
return posterior

ការប៉ាន់ស្មានលទ្ធភាពពីទិន្នន័យប្រវត្តិសាស្ត្រ

តើអ្នកដឹងយ៉ាងដូចម្តេចថា P(ភស្តុតាង | ទិសដៅ)? គណនាពីការធ្វើតេស្តថយក្រោយ៖

Python — ការកំណត់លទ្ធភាព
def estimate_likelihoods(historical_data):
# ក្នុងគ្រប់ពេលដែលអ្នកលក់ដុំធ្វើការវែង តើមានភាគរយប៉ុន្មានដែលឃើញតម្លៃឡើងក្នុង 4 ម៉ោងបន្ទាប់?
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
# ក្នុងគ្រប់ពេលដែលអ្នកលក់ដុំធ្វើការខ្លី តើមានភាគរយប៉ុន្មានដែលឃើញតម្លៃធ្លាក់?
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}

ការភ្នាល់លើប្រូបាប៊ីលីតេក្រោយ

នៅពេលអ្នកមានប្រូបាប៊ីលីតេក្រោយ កំណត់ទំហំការភ្នាល់របស់អ្នកឱ្យសមាមាត្រ៖

Python — លក្ខណៈវិនិច្ឆ័យ Kelly ពីក្រោយ
def kelly_bet_size(posterior_prob, odds=1.1):
# លក្ខណៈវិនិច្ឆ័យ Kelly៖ f = (b*p - q) / b
# p = ប្រូបាប៊ីលីតេឈ្នះ q = ប្រូបាប៊ីលីតេចាញ់ b = សមាមាត្រឱកាស
p = posterior_prob
q = 1 - p
b = odds - 1  # ប្រសិនបើអ្នកឈ្នះ អ្នកទទួលបាន 1.1x ត្រឡប់មកវិញ (ចំណេញ 10%)
kelly_frac = (b * p - q) / b
# ប្រើ 25% នៃ Kelly ដើម្បីប្រយ័ត្ន
position_size = kelly_frac * 0.25
return max(0, position_size)  # មិនដែលអវិជ្ជមាន
# ឧទាហរណ៍៖ posterior = 78% Kelly = 6.5% ប្រើ 1.6% នៃគណនី

Conjugate Priors សម្រាប់ប្រសិទ្ធភាព

សម្រាប់ការប៉ាន់ស្មានបន្ត (ឧទាហរណ៍ "តើអត្រាឈ្នះពិតប្រាកដរបស់អ្នកលក់ដុំគឺជាអ្វី?") ប្រើ Beta priors៖

Beta(α=1, β=1) = ឯកសណ្ឋាន (គ្មានចំណេះដឹងដំបូង)
Beta(α=10, β=5) = ជឿថាអ្នកលក់ដុំឈ្នះ ~67% ប៉ុន្តែមិនប្រាកដ
Beta(α=100, β=50) = ជំនឿខ្លាំងលើអត្រាឈ្នះ 67%

បន្ទាប់ពីសង្កេត N ជ័យជម្នះ និង M ការចាញ់ posterior គឺ Beta(α + N, β + M)។ រចនាសម្ព័ន្ធបំព្រួញនេះអនុញ្ញាតឱ្យអ្នកធ្វើឱ្យទាន់សម័យភ្លាមៗដោយគ្មានការយកគំរូ។

ធ្វើការសំរេចចិត្តប្រូបាប៊ីលីតេជាមួយ Smart Money

API របស់យើងត្រឡប់ពិន្ទុរួម និងកម្រិតទំនុកចិត្ត — ធាតុចូលពិតប្រាកដសម្រាប់គោលការណ៍ Bayesian។ សាងសង់ប្រព័ន្ធជួញដូរដែលធ្វើឱ្យជំនឿទាន់សម័យជាមួយសកម្មភាពអ្នកលក់ដុំ ម៉ែត្ររ on-chain និងសញ្ញា derivatives។

រៀនការជួញដូរ Bayesian →