Байесовский вывод для трейдинга — Обновление убеждений с данными Smart Money

Байесовский подход идеально подходит для трейдинга: у вас есть предварительное убеждение о направлении цены, которое обновляется с каждым новым доказательством (данные on-chain, активность китов, ставки финансирования). Smart Money API предоставляет именно такие доказательства — обновляйте свои убеждения и принимайте вероятностные решения.

Ключевая концепция: Теорема Байеса: P(B|A) = P(A|B) × P(B) / P(A). В трейдинге: P(Цена↑ | Киты↑) = какова вероятность роста цены при условии, что киты накапливают?

Теорема Байеса в трейдинге

Формула

Априорная вероятность: P(Направление) = ваше начальное убеждение (60% вероятность роста BTC)
Правдоподобие: P(Доказательство | Направление) = вероятность увидеть это доказательство, если направление верно
Доказательство: P(Доказательство) = базовая вероятность увидеть это доказательство
Апостериорная вероятность: P(Направление | Доказательство) = обновленное убеждение после наблюдения доказательства

Пример: Накопление китов как доказательство

Априорная вероятность: 50% вероятность роста BTC (базовая). Правдоподобие: Если BTC растет, вероятность накопления китами составляет 72% (они опережают движение). Если BTC остается на месте/падает, вероятность накопления только 20%. Доказательство: Вы наблюдаете накопление более чем 250 кошельков китов.

Python — Байесовское обновление
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
# Evidence likelihood
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Total probability of evidence (law of total probability)
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% вероятность роста)
return posterior_up

Результат: После наблюдения накопления китов вероятность роста увеличилась с 50% до 78%. Это сильный сигнал для открытия длинной позиции.

Многосигнальный байесовский фреймворк

Объедините несколько доказательств (Smart Money API предоставляет три: деривативы, on-chain, киты):

Python — Многосигнальный байесовский
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Sequential updating: start with prior, update with each signal
posterior = prior
# Signal 1: Derivatives (funding rate, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # if up, 68% chance pos FR
# Signal 2: On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # if up, 65% chance MVRV favorable
# Signal 3: Whales (consensus, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # if up, 72% chance whale consensus long
return posterior

Оценка правдоподобия на основе исторических данных

Как узнать P(Доказательство | Направление)? Рассчитайте на основе бэктестов:

Python — Калибровка правдоподобий
def estimate_likelihoods(historical_data):
# Of all times whales went long, what % saw price go up next 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
# Of all times whales went short, what % saw price go down?
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}

Ставки на апостериорные вероятности

Как только у вас есть апостериорная вероятность, определите размер ставки пропорционально:

Python — Критерий Келли на основе апостериорной вероятности
def kelly_bet_size(posterior_prob, odds=1.1):
# Kelly Criterion: f = (b*p - q) / b
# p = вероятность выигрыша, q = вероятность проигрыша, b = коэффициент ставки
p = posterior_prob
q = 1 - p
b = odds - 1  # if you win, you get 1.1x back (10% profit)
kelly_frac = (b * p - q) / b
# Use 25% of Kelly to be conservative
position_size = kelly_frac * 0.25
return max(0, position_size)  # never negative
# Example: posterior = 78%, Kelly = 6.5%, use 1.6% of account

Сопряженные априорные распределения для эффективности

Для непрерывных оценок (например, "какова истинная вероятность выигрыша китов?") используйте бета-априорные распределения:

Beta(α=1, β=1) = равномерное распределение (нет предварительных знаний)
Beta(α=10, β=5) = верит, что киты выигрывают ~67%, но с неопределенностью
Beta(α=100, β=50) = сильная уверенность в вероятности выигрыша 67%

После наблюдения N выигрышей и M проигрышей апостериорное распределение становится Beta(α + N, β + M). Эта сопряженная структура позволяет мгновенно обновлять распределение без выборки.

Принимайте вероятностные решения с Smart Money

Наш API возвращает составные оценки и уровни уверенности — точные входные данные для байесовских фреймворков. Постройте торговую систему, которая обновляет убеждения на основе активности китов, метрик on-chain и сигналов деривативов.

Изучите байесовский трейдинг →