Bayesian Inference for Trading — Updating Beliefs with Smart Money Data

ເຫດຜົນ Bayesian ເຫມາະສົມກັບການຊື້ຂາຍ: ທ່ານມີຄວາມເຊື່ອກ່ອນກ່ຽວກັບທິດທາງລາຄາ, ແລ້ວປັບມັນດ້ວຍຫຼັກຖານໃຫມ່ໆ (ຂໍ້ມູນ on-chain, ກິດຈະກໍາປາກົດຊາຍ, ອັດຕາການສະຫນັບສະຫນູນ). Smart Money API ສະຫນອງຫຼັກຖານປະເພດນີ້ໂດຍສະເພາະ—ປັບຄວາມເຊື່ອຂອງທ່ານແລະຕັດສິນໃຈແບບຄວາມເປັນໄປໄດ້.

ແນວຄວາມຄິດຫຼັກ: ທິດສະດີ Bayes: P(B|A) = P(A|B) × P(B) / P(A). ໃນການຊື້ຂາຍ: P(Price↑ | Whales↑) = ໂອກາດທີ່ລາຄາຈະເພີ່ມຂຶ້ນໃຫ້ໃຊ້ເວລາປາກົດຊາຍກໍາລັງສະສົມ?

ທິດສະດີ Bayes ໃນການຊື້ຂາຍ

ສູດ

ກ່ອນ: P(Direction) = ຄວາມເຊື່ອເບື້ອງຕົ້ນຂອງທ່ານ (60% ໂອກາດ BTC ເພີ່ມຂຶ້ນ)
ຄວາມເປັນໄປໄດ້: P(Evidence | Direction) = ຄວາມເປັນໄປໄດ້ທີ່ທ່ານຈະເຫັນຫຼັກຖານນີ້ຖ້າທິດທາງເປັນຈິງ
ຫຼັກຖານ: P(Evidence) = ອັດຕາພື້ນຖານຂອງການເຫັນຫຼັກຖານນີ້
ຫຼັງ: P(Direction | Evidence) = ຄວາມເຊື່ອທີ່ຖືກປັບປຸງຫຼັງຈາກສັງເກດຫຼັກຖານ

ຕົວຢ່າງ: ການສະສົມປາກົດຊາຍເປັນຫຼັກຖານ

ກ່ອນ: 50% ໂອກາດ BTC ເພີ່ມຂຶ້ນ (ພື້ນຖານ). ຄວາມເປັນໄປໄດ້: ຖ້າ BTC ເພີ່ມຂຶ້ນ, ມີ 72% ໂອກາດປາກົດຊາຍສະສົມ (ພວກເຂົາຫນັກລ່ວງຫນ້າການເຄື່ອນໄຫວ). ຖ້າ BTC ຄົງທີ່/ລົງ, ມີແຕ່ 20% ໂອກາດສະສົມ. ຫຼັກຖານ: ທ່ານສັງເກດເຫັນ 250+ ກະເປົາເງິນປາກົດຊາຍກໍາລັງສະສົມ.

Python — ການປັບປຸງ 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
# 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% likely to go up)
return posterior_up

ຜົນໄດ້ຮັບ: ຫຼັງຈາກສັງເກດການສະສົມປາກົດຊາຍ, ຄວາມເປັນໄປໄດ້ຂອງການເພີ່ມຂຶ້ນຈາກ 50% ເປັນ 78%. ນັ້ນແມ່ນສັນຍານທີ່ເຂັ້ມແຂງທີ່ຈະ long.

ໂຄງສ້າງ Bayesian ຫຼາຍສັນຍານ

ປະສົມຫຼາຍສ່ວນຂອງຫຼັກຖານ (Smart Money API ໃຫ້ທ່ານສາມຢ່າງ: derivatives, on-chain, whales):

Python — Bayesian ຫຼາຍສັນຍານ
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Sequential updating: start with prior, update with each signal
posterior = prior
# Signal 1: Derivatives (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 favorable
# Signal 3: Whales (consensus, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # if up, 72% chance whale consensus long
return posterior

ການຄຳນວນຄວາມເປັນໄປໄດ້ຈາກຂໍ້ມູນປະຫວັດສາດ

ທ່ານຮູ້ P(ຫຼັກຖານ | ທິດທາງ) ໄດ້ແນວໃດ? ຄຳນວນຈາກການທົດສອບກັບຄືນ:

Python — ປັບຄວາມເປັນໄປໄດ້
def estimate_likelihoods(historical_data):
# ໃນທຸກເວລາທີ່ວານຊື້, ມີເປີເຊັນໃດທີ່ລາຄາຂຶ້ນໃນ 4 ຊມຕໍ່ໄປ?
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
# ໃນທຸກເວລາທີ່ວານຂາຍ, ມີເປີເຊັນໃດທີ່ລາຄາລົງ?
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}

ການພະນັນດ້ວຍຄວາມເປັນໄປໄດ້ຫຼັງຈາກ

ເມື່ອທ່ານມີຄວາມເປັນໄປໄດ້ຫຼັງຈາກ, ກຳນົດຂະໜາດການພະນັນໃຫ້ສອດຄ່ອງ:

Python — ເງື່ອນໄຂ Kelly ຈາກຄວາມເປັນໄປໄດ້ຫຼັງຈາກ
def kelly_bet_size(posterior_prob, odds=1.1):
# ເງື່ອນໄຂ Kelly: f = (b*p - q) / b
# p = ຄວາມເປັນໄປໄດ້ຊະນະ, q = ຄວາມເປັນໄປໄດ້ເສຍ, b = ອັດຕາສ່ວນການຈ່າຍ
p = posterior_prob
q = 1 - p
b = odds - 1  # ຖ້າຊະນະ, ທ່ານຈະໄດ້ຮັບ 1.1x ຄືນ (ກຳໄລ 10%)
kelly_frac = (b * p - q) / b
# ໃຊ້ 25% ຂອງ Kelly ເພື່ອລະມັດລະວັງ
position_size = kelly_frac * 0.25
return max(0, position_size)  # ບໍ່ຕ້ອງເປັນຕົວເລກລົບ
# ຕົວຢ່າງ: posterior = 78%, Kelly = 6.5%, ໃຊ້ 1.6% ຂອງບັນຊີ

ການໃຊ້ Conjugate Priors ເພື່ອປະສິດທິພາບ

ສຳລັບການຄາດຄະເນຕໍ່ເນື່ອງ (ຕົວຢ່າງ: "ອັດຕາຊະນະທີ່ແທ້ຈິງຂອງວານແມ່ນເທົ່າໃດ?"), ໃຊ້ Beta priors:

Beta(α=1, β=1) = ການແຈກຢາຍເທົ່າກັນ (ບໍ່ມີຄວາມຮູ້ກ່ອນ)
Beta(α=10, β=5) = ເຊື່ອວ່າວານຊະນະ ~67% ແຕ່ບໍ່ແນ່ໃຈ
Beta(α=100, β=50) = ຄວາມເຊື່ອແຮງໃນອັດຕາຊະນະ 67%

ຫຼັງຈາກສັງເກດເຫັນ N ຄັ້ງທີ່ຊະນະແລະ M ຄັ້ງທີ່ເສຍ, posterior ຈະເປັນ Beta(α + N, β + M). ໂຄງສ້າງ conjugate ນີ້ຊ່ວຍໃຫ້ທ່ານອັບເດດຄວາມເຊື່ອໄດ້ທັນທີໂດຍບໍ່ຕ້ອງຕັດຕົວຢ່າງ.

ຕັດສິນໃຈແບບຄວາມເປັນໄປໄດ້ດ້ວຍ Smart Money

API ຂອງພວກເຮົາສົ່ງຄະແນນປະສົມແລະລະດັບຄວາມໝັ້ນໃຈ — ຂໍ້ມູນເຂົ້າທີ່ແນ່ນອນສຳລັບໂຄງການ Bayesian. ສ້າງລະບົບການຊື້ຂາຍທີ່ອັບເດດຄວາມເຊື່ອດ້ວຍກິດຈະກຳຂອງວານ, ເຄື່ອງມືບັນຊີລາຍການ, ແລະສັນຍານ derivatives.

ຮຽນຮູ້ການຊື້ຂາຍແບບ Bayesian →