Bayesian Inference for Trading — Aktualizacja przekonań z danymi Smart Money

Rozumowanie bayesowskie jest idealne dla tradingu: masz wcześniejsze przekonanie o kierunku ceny, a następnie aktualizujesz je z każdym nowym dowodem (dane on-chain, aktywność wielorybów, stawki fundingowe). Smart Money API dostarcza dokładnie takich dowodów — aktualizuj swoje przekonania i podejmuj decyzje probabilistyczne.

Kluczowa koncepcja: Twierdzenie Bayesa: P(B|A) = P(A|B) × P(B) / P(A). W tradingu: P(Cena↑ | Wieloryby↑) = jakie jest prawdopodobieństwo wzrostu ceny, jeśli wieloryby akumulują?

Twierdzenie Bayesa w Tradingu

Formuła

Przekonanie początkowe: P(Kierunek) = twoje początkowe przekonanie (60% szans na wzrost BTC)
Funkcja wiarygodności: P(Dowód | Kierunek) = prawdopodobieństwo zaobserwowania tego dowodu, jeśli kierunek jest prawdziwy
Dowód: P(Dowód) = podstawowa częstość występowania tego dowodu
Przekonanie końcowe: P(Kierunek | Dowód) = zaktualizowane przekonanie po zaobserwowaniu dowodu

Przykład: Akumulacja wielorybów jako dowód

Przekonanie początkowe: 50% szans na wzrost BTC (wartość bazowa). Funkcja wiarygodności: Jeśli BTC rośnie, istnieje 72% szans na akumulację przez wieloryby (wyprzedzają ruchy). Jeśli BTC pozostaje stabilny/spada, tylko 20% szans na akumulację. Dowód: Obserwujesz akumulację w ponad 250 portfelach wielorybów.

Python — Aktualizacja bayesowska
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# Przekonanie początkowe
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# Funkcja wiarygodności dowodu
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Całkowite prawdopodobieństwo dowodu (prawo całkowitego prawdopodobieństwa)
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# Przekonanie końcowe: P(Wzrost | Dowód) = Bayes
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783 (78.3% szans na wzrost)
return posterior_up

Wynik: Po zaobserwowaniu akumulacji wielorybów prawdopodobieństwo wzrostu wzrosło z 50% do 78%. To silny sygnał do zajęcia pozycji długiej.

Wielosygnałowy framework bayesowski

Połącz wiele dowodów (Smart Money API dostarcza trzy: derywatywy, on-chain, wieloryby):

Python — Wielosygnałowy Bayes
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Aktualizacja sekwencyjna: zacznij od przekonania początkowego, aktualizuj każdym sygnałem
posterior = prior
# Sygnał 1: Derywatywy (stopa fundingowa, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # jeśli wzrost, 68% szans na pozytywną stopę fundingową
# Sygnał 2: On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # jeśli wzrost, 65% szans na korzystne MVRV
# Sygnał 3: Wieloryby (konsensus, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # jeśli wzrost, 72% szans na długi konsensus wielorybów
return posterior

Estymacja funkcji wiarygodności z danych historycznych

Skąd wiesz P(Dowód | Kierunek)? Oblicz z backtestów:

Python — Kalibracja funkcji wiarygodności
def estimate_likelihoods(historical_data):
# W jakim % przypadków, gdy wieloryby były długie, cena wzrosła w ciągu 4h?
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
# W jakim % przypadków, gdy wieloryby były krótkie, cena spadła?
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}

Obstawianie prawdopodobieństw końcowych

Gdy masz prawdopodobieństwo końcowe, dostosuj wielkość zakładu proporcjonalnie:

Python — Kelly Criterion na podstawie przekonania końcowego
def kelly_bet_size(posterior_prob, odds=1.1):
# Kelly Criterion: f = (b*p - q) / b
# p = prawdopodobieństwo wygranej, q = prawdopodobieństwo przegranej, b = współczynnik kursów
p = posterior_prob
q = 1 - p
b = odds - 1  # jeśli wygrasz, otrzymasz 1.1x zwrot (10% zysku)
kelly_frac = (b * p - q) / b
# Użyj 25% Kelly, aby być konserwatywnym
position_size = kelly_frac * 0.25
return max(0, position_size)  # nigdy ujemne
# Przykład: przekonanie końcowe = 78%, Kelly = 6.5%, użyj 1.6% konta

Sprzężone przekonania początkowe dla efektywności

Dla ciągłych estymacji (np. "jaka jest prawdziwa stopa wygranych wielorybów?"), użyj przekonań początkowych Beta:

Beta(α=1, β=1) = jednostajne (brak wcześniejszej wiedzy)
Beta(α=10, β=5) = uważa, że wieloryby wygrywają ~67%, ale z niepewnością
Beta(α=100, β=50) = silne przekonanie o 67% stopie wygranych

Po zaobserwowaniu N wygranych i M przegranych, przekonanie końcowe to Beta(α + N, β + M). Ta sprzężona struktura pozwala na natychmiastową aktualizację bez próbkowania.

Podejmuj decyzje probabilistyczne z Smart Money

Nasze API zwraca skomponowane wyniki i poziomy pewności — dokładne dane wejściowe dla frameworków bayesowskich. Zbuduj system tradingowy, który aktualizuje przekonania na podstawie aktywności wielorybów, metryk on-chain i sygnałów derywatów.

Naucz się Bayesian Trading →