වෙළඳාම සඳහා Bayesian අනුමානය — Smart Money දත්ත සමඟ විශ්වාස යාවත්කාලීන කිරීම

Bayesian තර්කනය වෙළඳාම සඳහා ඉතා සුදුසුය: ඔබට මිල දිශාව පිළිබඳ මූලික විශ්වාසයක් ඇත, ඉන්පසු සෑම නව සාක්ෂියක් සමඟ එය යාවත්කාලීන කරන්න (චේන් දත්ත, වේල් ක්රියාකාරිත්වය, අරමුදල් අනුපාත). Smart Money API මෙම ආකාරයේ සාක්ෂි සපයයි—ඔබේ විශ්වාස යාවත්කාලීන කර සම්භාවිතා තීරණ ගන්න.

ප්රධාන සංකල්පය: Bayes' Theorem: P(B|A) = P(A|B) × P(B) / P(A). වෙළඳාමේ: P(මිල↑ | වේල්↑) = වේල් රැස් කරන විට මිල ඉහළ යාමේ සම්භාවිතාව කුමක්ද?

වෙළඳාමේ Bayes' Theorem

සූත්රය

පූර්ව: P(දිශාව) = ඔබේ මූලික විශ්වාසය (BTC ඉහළ යාමේ 60% අවස්ථාව)
සම්භාවිතාව: P(සාක්ෂි | දිශාව) = දිශාව සත්ය නම් මෙම සාක්ෂිය දැකීමේ සම්භාවිතාව
සාක්ෂි: P(සාක්ෂි) = මෙම සාක්ෂිය දැකීමේ මූලික අනුපාතය
පසු: P(දිශාව | සාක්ෂි) = සාක්ෂි නිරීක්ෂණය කිරීමෙන් පසු යාවත්කාලීන විශ්වාසය

උදාහරණය: වේල් රැස් කිරීම සාක්ෂියක් ලෙස

පූර්ව: BTC ඉහළ යාමේ 50% අවස්ථාව (මූලික). සම්භාවිතාව: BTC ඉහළ ගියහොත්, වේල් රැස් කිරීමේ 72% අවස්ථාවක් ඇත (ඔවුන් චලනයන්ට පෙර යයි). BTC ස්ථාවර/පහළ නම්, රැස් කිරීමේ 20% අවස්ථාවක් පමණි. සාක්ෂි: ඔබ වේල් රැස් කරන 250+ බඩුපොත් නිරීක්ෂණය කරයි.

Python — Bayesian යාවත්කාලීනය
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# පූර්ව
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# සාක්ෂි සම්භාවිතාව
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# සාක්ෂියේ සම්පූර්ණ සම්භාවිතාව (සම්පූර්ණ සම්භාවිතාව නීතිය)
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# පසු: P(ඉහළ | සාක්ෂි) = Bayes
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783 (ඉහළ යාමේ 78.3% අවස්ථාව)
return posterior_up

ප්රතිඵලය: වේල් රැස් කිරීම නිරීක්ෂණය කිරීමෙන් පසු, ඉහළ යාමේ සම්භාවිතාව 50% සිට 78% දක්වා වැඩි වේ. එය දිගු යාමට ශක්තිමත් සංඥාවකි.

බහු-සංඥා Bayesian රාමුව

බහු සාක්ෂි ඒකාබද්ධ කරන්න (Smart Money API ඔබට තුනක් ලබා දෙයි: ව්යුත්පන්න, චේන්, වේල්):

Python — බහු-සංඥා Bayesian
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# අනුක්රමික යාවත්කාලීනය: පූර්වයෙන් ආරම්භ කර සෑම සංඥාවක් සමඟ යාවත්කාලීන කරන්න
posterior = prior
# සංඥා 1: ව්යුත්පන්න (අරමුදල් අනුපාත, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # ඉහළ නම්, 68% අවස්ථාවක් pos FR
# සංඥා 2: චේන් (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # ඉහළ නම්, 65% අවස්ථාවක් MVRV යහපත්
# සංඥා 3: වේල් (සම්මත, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # ඉහළ නම්, 72% අවස්ථාවක් වේල් සම්මත දිගු
return posterior

ඓතිහාසික දත්ත වලින් සම්භාවිතා ඇස්තමේන්තුව

P(සාක්ෂි | දිශාව) ඔබ දන්නේ කෙසේද? පසුපස පරීක්ෂණ වලින් ගණනය කරන්න:

Python — සම්භාවිතා කැලිබ්රේට් කරන්න
def estimate_likelihoods(historical_data):
# වේල් දිගු ගිය සියලු වේලාවන්ගෙන්, ඊළඟ 4h මිල ඉහළ යාමේ ප්රතිශතය කුමක්ද?
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
# වේල් කෙටි ගිය සියලු වේලාවන්ගෙන්, මිල පහළ යාමේ ප්රතිශතය කුමක්ද?
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}

පසු සම්භාවිතාවන් මත බෙට් කිරීම

ඔබට පසු සම්භාවිතාවක් ලැබුණු පසු, ඔබේ බෙට් ප්රමාණය සමානුපාතිකව සකසන්න:

Python — පසු සිට Kelly නිර්ණායකය
def kelly_bet_size(posterior_prob, odds=1.1):
# Kelly නිර්ණායකය: f = (b*p - q) / b
# p = ජයග්රහණ සම්භාවිතාව, q = පරාජය සම්භාවිතාව, b = අනුපාත අනුපාතය
p = posterior_prob
q = 1 - p
b = odds - 1  # ඔබ ජය ගන්නේ නම්, ඔබට 1.1x ආපසු ලැබේ (10% ලාභය)
kelly_frac = (b * p - q) / b
# සංරක්ෂණාත්මක වීමට Kelly 25% භාවිතා කරන්න
position_size = kelly_frac * 0.25
return max(0, position_size)  # කිසිවිටෙකත් සෘණ නොවේ
# උදාහරණය: පසු = 78%, Kelly = 6.5%, ගිණුමෙන් 1.6% භාවිතා කරන්න

කාර්යක්ෂමතාව සඳහා සංයුජ්ජ පූර්ව

අඛණ්ඩ ඇස්තමේන්තු සඳහා (උදාහරණයක් ලෙස, "වේල්ගේ සත්ය ජයග්රහණ අනුපාතය කුමක්ද?"), Beta පූර්ව භාවිතා කරන්න:

Beta(α=1, β=1) = ඒකාකාර (පූර්ව දැනුමක් නැත)
Beta(α=10, β=5) = වේල් ~67% ජය ගන්නා බව විශ්වාස කරයි නමුත් අවිනිශ්චිතයි
Beta(α=100, β=50) = 67% ජයග්රහණ අනුපාතය පිළිබඳ ශක්තිමත් විශ්වාසය

N ජයග්රහණ සහ M පරාජය නිරීක්ෂණය කිරීමෙන් පසු, පසු Beta(α + N, β + M) වේ. මෙම සංයුජ්ජ ව්යුහය ඔබට නියැදි නොගෙන ක්ෂණිකව යාවත්කාලීන කිරීමට ඉඩ දෙයි.

Smart Money සමඟ සම්භාවිතා තීරණ ගන්න

අපගේ API සංයුක්ත ලකුණු සහ විශ්වාස මට්ටම් ආපසු ලබා දෙයි—Bayesian රාමු සඳහා නියම ආදාන. වේල් ක්රියාකාරිත්වය, චේන් මෙට්රික්ස් සහ ව්යුත්පන්න සංඥා සමඟ විශ්වාස යාවත්කාලීන කරන වෙළඳ පද්ධතියක් ගොඩනගන්න.

Bayesian වෙළඳාම ඉගෙන ගන්න →