Inferência Bayesiana para Trading — Atualizando Crenças com Dados Smart Money

O raciocínio bayesiano é ideal para trading: você tem uma crença inicial sobre a direção do preço e a atualiza com cada nova evidência (dados on-chain, atividade de baleias, taxas de funding). A Smart Money API fornece exatamente esse tipo de evidência — atualize suas crenças e tome decisões probabilísticas.

Conceito-chave: Teorema de Bayes: P(B|A) = P(A|B) × P(B) / P(A). No trading: P(Preço↑ | Baleias↑) = qual a probabilidade de o preço subir dado que as baleias estão acumulando?

Teorema de Bayes no Trading

A Fórmula

Priori: P(Direção) = sua crença inicial (60% de chance de BTC subir)
Verossimilhança: P(Evidência | Direção) = probabilidade de você observar essa evidência se a direção for verdadeira
Evidência: P(Evidência) = taxa base de observar essa evidência
Posteriori: P(Direção | Evidência) = crença atualizada após observar a evidência

Exemplo: Acumulação por Baleias como Evidência

Priori: 50% de chance de BTC subir (baseline). Verossimilhança: Se BTC subir, há 72% de chance de baleias acumularem (elas antecipam movimentos). Se BTC ficar estável/cair, apenas 20% de chance de acumulação. Evidência: Você observa 250+ carteiras de baleias acumulando.

Python — Atualização Bayesiana
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# Priori
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# Verossimilhança da evidência
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Probabilidade total da evidência (lei da probabilidade total)
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# Posteriori: P(Up | Evidence) = Bayes
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783 (78.3% de chance de subir)
return posterior_up

Resultado: Após observar a acumulação por baleias, a probabilidade de alta aumenta de 50% para 78%. Isso é um forte sinal para entrar comprado.

Estrutura Bayesiana Multi-Sinal

Combine múltiplas evidências (a Smart Money API fornece três: derivativos, on-chain, baleias):

Python — Bayesiano Multi-Sinal
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Atualização sequencial: começa com a priori, atualiza com cada sinal
posterior = prior
# Sinal 1: Derivativos (taxa de funding, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # se subir, 68% de chance de FR positivo
# Sinal 2: On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # se subir, 65% de chance de MVRV favorável
# Sinal 3: Baleias (consenso, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # se subir, 72% de chance de consenso comprado das baleias
return posterior

Estimativa de Verossimilhança a Partir de Dados Históricos

Como você sabe P(Evidência | Direção)? Calcule a partir de backtests:

Python — Calibrar verossimilhanças
def estimate_likelihoods(historical_data):
# De todas as vezes que baleias entraram compradas, qual % viu o preço subir nas próximas 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
# De todas as vezes que baleias entraram vendidas, qual % viu o preço cair?
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}

Apostando em Probabilidades Posteriores

Quando você tem uma probabilidade posterior, dimensione sua aposta proporcionalmente:

Python — Critério de Kelly a partir da posteriori
def kelly_bet_size(posterior_prob, odds=1.1):
# Critério de Kelly: f = (b*p - q) / b
# p = probabilidade de ganho, q = probabilidade de perda, b = razão de odds
p = posterior_prob
q = 1 - p
b = odds - 1  # se ganhar, você recebe 1.1x de volta (10% de lucro)
kelly_frac = (b * p - q) / b
# Use 25% de Kelly para ser conservador
position_size = kelly_frac * 0.25
return max(0, position_size)  # nunca negativo
# Exemplo: posterior = 78%, Kelly = 6.5%, use 1.6% da conta

Prioris Conjugadas para Eficiência

Para estimativas contínuas (ex.: "qual a taxa real de acerto das baleias?"), use prioris Beta:

Beta(α=1, β=1) = uniforme (sem conhecimento prévio)
Beta(α=10, β=5) = acredita que baleias acertam ~67% mas incerto
Beta(α=100, β=50) = forte crença em taxa de acerto de 67%

Após observar N vitórias e M derrotas, a posteriori é Beta(α + N, β + M). Essa estrutura conjugada permite atualizações instantâneas sem amostragem.

Tome decisões probabilísticas com Smart Money

Nossa API retorna scores compostos e níveis de confiança — os inputs exatos para estruturas Bayesianas. Construa um sistema de trading que atualiza crenças com atividade de baleias, métricas on-chain e sinais de derivativos.

Aprenda Trading Bayesiano →