Bayesiaanse Inferentie voor Handel — Bijwerken van Overtuigingen met Smart Money Data

Bayesiaanse redenering is ideaal voor handel: je hebt een voorafgaande overtuiging over prijsrichting, en werkt deze bij met elk nieuw stukje bewijs (on-chain data, walvisactiviteit, funding rates). Smart Money API biedt precies dit soort bewijs—werk je overtuigingen bij en neem probabilistische beslissingen.

Kernconcept: Bayes' Stelling: P(B|A) = P(A|B) × P(B) / P(A). In handel: P(Prijs↑ | Walvissen↑) = hoe waarschijnlijk is het dat de prijs stijgt gegeven dat walvissen accumuleren?

Bayes' Stelling in Handel

De Formule

Prior: P(Richting) = je initiële overtuiging (60% kans dat BTC stijgt)
Likelihood: P(Bewijs | Richting) = de kans dat je dit bewijs zou zien als de richting waar is
Bewijs: P(Bewijs) = basispercentage van het zien van dit bewijs
Posterior: P(Richting | Bewijs) = bijgewerkte overtuiging na het observeren van bewijs

Voorbeeld: Walvisaccumulatie als Bewijs

Prior: 50% kans dat BTC stijgt (baseline). Likelihood: Als BTC stijgt, is er een 72% kans dat walvissen accumuleren (ze anticiperen op bewegingen). Als BTC vlak/blijft dalen, slechts 20% kans op accumulatie. Bewijs: Je observeert 250+ walvisportefeuilles die accumuleren.

Python — Bayesiaanse update
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
# Bewijslikelihood
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Totale kans op bewijs (wet van totale kans)
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 | Bewijs) = Bayes
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783 (78.3% kans om te stijgen)
return posterior_up

Resultaat: Na het observeren van walvisaccumulatie, stijgt de kans op een stijging van 50% naar 78%. Dat is een sterk signaal om long te gaan.

Multi-Signaal Bayesiaans Framework

Combineer meerdere stukken bewijs (Smart Money API geeft je drie: derivaten, on-chain, walvissen):

Python — Multi-signaal Bayesiaans
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Sequentieel bijwerken: begin met prior, werk bij met elk signaal
posterior = prior
# Signaal 1: Derivaten (funding rate, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # als het stijgt, 68% kans op positieve FR
# Signaal 2: On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # als het stijgt, 65% kans op gunstige MVRV
# Signaal 3: Walvissen (consensus, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # als het stijgt, 72% kans op lange walvisconsensus
return posterior

Likelihood Schatting vanuit Historische Data

Hoe weet je P(Bewijs | Richting)? Bereken vanuit backtests:

Python — Kalibreer likelihoods
def estimate_likelihoods(historical_data):
# Van alle keren dat walvissen long gingen, welk percentage zag de prijs de volgende 4 uur stijgen?
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
# Van alle keren dat walvissen short gingen, welk percentage zag de prijs dalen?
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}

Wedden op Posterior Kansen

Zodra je een posterior kans hebt, bepaal je je inzet proportioneel:

Python — Kelly Criterium vanuit posterior
def kelly_bet_size(posterior_prob, odds=1.1):
# Kelly Criterium: f = (b*p - q) / b
# p = win kans, q = verlies kans, b = odds ratio
p = posterior_prob
q = 1 - p
b = odds - 1  # als je wint, krijg je 1.1x terug (10% winst)
kelly_frac = (b * p - q) / b
# Gebruik 25% van Kelly om conservatief te zijn
position_size = kelly_frac * 0.25
return max(0, position_size)  # nooit negatief
# Voorbeeld: posterior = 78%, Kelly = 6.5%, gebruik 1.6% van de account

Conjugate Priors voor Efficiëntie

Voor continue schattingen (bijv., "wat is de echte winrate van walvissen?"), gebruik Beta priors:

Beta(α=1, β=1) = uniform (geen voorkennis)
Beta(α=10, β=5) = gelooft dat walvissen ~67% winnen maar onzeker
Beta(α=100, β=50) = sterk geloof in 67% winrate

Na het observeren van N wins en M losses, is de posterior Beta(α + N, β + M). Deze conjugate structuur laat je direct bijwerken zonder sampling.

Neem probabilistische beslissingen met Smart Money

Onze API retourneert samengestelde scores en betrouwbaarheidsniveaus—de exacte inputs voor Bayesiaanse frameworks. Bouw een handelssysteem dat overtuigingen bijwerkt met walvisactiviteit, on-chain metrieken en derivatensignalen.

Leer Bayesiaanse Handel →