Bayesian Inference for Trading — Mengemasikini Kepercayaan dengan Data Smart Money

Penalaran Bayesian adalah ideal untuk perdagangan: anda mempunyai kepercayaan awal tentang arah harga, kemudian mengemasikini dengan setiap bukti baru (data on-chain, aktiviti ikan paus, kadar pembiayaan). Smart Money API menyediakan jenis bukti ini—kemas kini kepercayaan anda dan buat keputusan probabilistik.

Konsep utama: Teorem Bayes: P(B|A) = P(A|B) × P(B) / P(A). Dalam perdagangan: P(Harga↑ | Ikan Paus↑) = berapa kemungkinan harga naik jika ikan paus mengumpul?

Teorem Bayes dalam Perdagangan

Formula

Sebelum: P(Arah) = kepercayaan awal anda (60% kemungkinan BTC naik)
Kebarangkalian: P(Bukti | Arah) = kebarangkalian anda melihat bukti ini jika arah adalah benar
Bukti: P(Bukti) = kadar asas melihat bukti ini
Selepas: P(Arah | Bukti) = kepercayaan dikemas kini selepas memerhatikan bukti

Contoh: Pengumpulan Ikan Paus sebagai Bukti

Sebelum: 50% kemungkinan BTC naik (garis dasar). Kebarangkalian: Jika BTC naik, terdapat 72% kemungkinan ikan paus mengumpul (mereka mendahului pergerakan). Jika BTC kekal rata/turun, hanya 20% kemungkinan pengumpulan. Bukti: Anda memerhatikan 250+ dompet ikan paus mengumpul.

Python — Kemas kini Bayesian
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# Sebelum
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# Kebarangkalian bukti
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Jumlah kebarangkalian bukti (hukum jumlah kebarangkalian)
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# Selepas: 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

Keputusan: Selepas memerhatikan pengumpulan ikan paus, kebarangkalian naik meningkat dari 50% ke 78%. Itu adalah isyarat kuat untuk mengambil posisi long.

Rangka Kerja Bayesian Multi-Sinyal

Gabungkan beberapa bukti (Smart Money API memberikan anda tiga: derivatif, on-chain, ikan paus):

Python — Bayesian Multi-sinyal
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Kemas kini berurutan: mulakan dengan sebelum, kemas kini dengan setiap sinyal
posterior = prior
# Sinyal 1: Derivatif (kadar pembiayaan, 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: Ikan Paus (konsensus, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # jika naik, 72% kemungkinan konsensus ikan paus long
return posterior

Penganggaran Kebarangkalian dari Data Sejarah

Bagaimana anda tahu P(Bukti | Arah)? Kira dari ujian balik:

Python — Kalibrasi kebarangkalian
def estimate_likelihoods(historical_data):
# Dari semua kali ikan paus mengambil posisi long, berapa peratus 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 ikan paus mengambil posisi short, berapa peratus 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 Kebarangkalian Selepas

Setelah anda mempunyai kebarangkalian selepas, saizkan taruhan anda secara berkadar:

Python — Kriteria Kelly dari kebarangkalian selepas
def kelly_bet_size(posterior_prob, odds=1.1):
# Kriteria Kelly: f = (b*p - q) / b
# p = kebarangkalian menang, q = kebarangkalian kalah, b = nisbah odds
p = posterior_prob
q = 1 - p
b = odds - 1  # jika anda menang, anda mendapat kembali 1.1x (keuntungan 10%)
kelly_frac = (b * p - q) / b
# Gunakan 25% dari Kelly untuk berhati-hati
position_size = kelly_frac * 0.25
return max(0, position_size)  # tidak pernah negatif
# Contoh: kebarangkalian selepas = 78%, Kelly = 6.5%, gunakan 1.6% akaun

Priors Konjugat untuk Kecekapan

Untuk anggaran berterusan (contohnya, "apakah kadar kemenangan sebenar ikan paus?"), gunakan priors Beta:

Beta(α=1, β=1) = seragam (tiada pengetahuan sebelum)
Beta(α=10, β=5) = percaya ikan paus menang ~67% tetapi tidak pasti
Beta(α=100, β=50) = kepercayaan kuat pada kadar kemenangan 67%

Selepas memerhatikan N kemenangan dan M kekalahan, selepas adalah Beta(α + N, β + M). Struktur konjugat ini membolehkan anda mengemas kini serta-merta tanpa pensampelan.

Buat keputusan probabilistik dengan Smart Money

API kami mengembalikan skor komposit dan tahap keyakinan—input tepat untuk rangka kerja Bayesian. Bina sistem perdagangan yang mengemas kini kepercayaan dengan aktiviti ikan paus, metrik on-chain, dan sinyal derivatif.

Pelajari Perdagangan Bayesian →