Inferență Bayesiană pentru Trading — Actualizarea Convingerilor cu Date Smart Money

Raționamentul bayesian este ideal pentru trading: ai o convingere inițială despre direcția prețului, pe care o actualizezi cu fiecare nouă dovadă (date on-chain, activitate de balene, rate de funding). Smart Money API oferă exact acest tip de dovezi — actualizează-ți convingerile și ia decizii probabilistice.

Concept cheie: Teorema lui Bayes: P(B|A) = P(A|B) × P(B) / P(A). În trading: P(Preț↑ | Balene↑) = cât de probabil este ca prețul să crească dat fiind că balenele acumulează?

Teorema lui Bayes în Trading

Formula

Prior: P(Direcție) = convingerea ta inițială (60% șanse ca BTC să urce)
Probabilitate condiționată: P(Dovadă | Direcție) = probabilitatea de a vedea această dovadă dacă direcția este adevărată
Dovadă: P(Dovadă) = rata de bază a acestei dovezi
Posterior: P(Direcție | Dovadă) = convingerea actualizată după observarea dovezii

Exemplu: Acumularea de Balene ca Dovadă

Prior: 50% șanse ca BTC să urce (linie de bază). Probabilitate condiționată: Dacă BTC urcă, există 72% șanse ca balenele să acumuleze (ele anticipează mișcările). Dacă BTC rămâne plat/scade, doar 20% șanse de acumulare. Dovadă: Observi 250+ portofele de balene acumulând.

Python — Actualizare Bayesiană
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
# Probabilitatea dovezii
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Probabilitatea totală a dovezii (legea probabilității totale)
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% șanse să urce)
return posterior_up

Rezultat: După observarea acumulării de balene, probabilitatea de creștere se schimbă de la 50% la 78%. Acesta este un semnal puternic pentru o poziție long.

Cadru Bayesian cu Semnale Multiple

Combină mai multe dovezi (Smart Money API îți oferă trei: derivate, on-chain, balene):

Python — Bayesian cu semnale multiple
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Actualizare secvențială: începe cu prior, actualizează cu fiecare semnal
posterior = prior
# Semnal 1: Derivate (rata de funding, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # dacă urcă, 68% șanse pentru FR pozitiv
# Semnal 2: On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # dacă urcă, 65% șanse pentru MVRV favorabil
# Semnal 3: Balene (consens, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # dacă urcă, 72% șanse pentru consens long al balenelor
return posterior

Estimarea Probabilității din Date Istorice

Cum știi P(Dovadă | Direcție)? Calculează din backtest:

Python — Calibrare probabilități
def estimate_likelihoods(historical_data):
# Din toate momentele când balenele au fost long, în ce % prețul a urmat următoarele 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
# Din toate momentele când balenele au fost short, în ce % prețul a scăzut?
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}

Parierea pe Probabilități Posterioare

Odată ce ai o probabilitate posterioară, dimensionează-ți pariul proporțional:

Python — Criteriul Kelly din posterior
def kelly_bet_size(posterior_prob, odds=1.1):
# Criteriul Kelly: f = (b*p - q) / b
# p = probabilitate de câștig, q = probabilitate de pierdere, b = raportul câștigului
p = posterior_prob
q = 1 - p
b = odds - 1  # dacă câștigi, primești 1.1x înapoi (profit de 10%)
kelly_frac = (b * p - q) / b
# Folosește 25% din Kelly pentru a fi conservator
position_size = kelly_frac * 0.25
return max(0, position_size)  # niciodată negativ
# Exemplu: posterior = 78%, Kelly = 6.5%, folosește 1.6% din cont

Priorii Conjugați pentru Eficiență

Pentru estimări continue (de ex., "care este rata reală de câștig a balenelor?"), folosește priorii Beta:

Beta(α=1, β=1) = uniform (fără cunoștințe prealabile)
Beta(α=10, β=5) = crede că balenele câștigă ~67% dar este nesigur
Beta(α=100, β=50) = convingere puternică în rata de câștig de 67%

După observarea a N câștiguri și M pierderi, posteriorul este Beta(α + N, β + M). Această structură conjugată permite actualizarea instantanee fără eșantionare.

Ia decizii probabilistice cu Smart Money

API-ul nostru returnează scoruri compozite și niveluri de încredere — exact inputurile pentru cadrele bayesiene. Construiește un sistem de trading care actualizează convingerile cu activitatea balenelor, metrici on-chain și semnale de derivate.

Învață Trading Bayesian →