Bayes Çıkarımı ile Alım Satım — Smart Money Verisiyle İnançları Güncelleme

Bayes mantığı alım satım için idealdir: Fiyat yönü hakkında önceden bir inancınız vardır, ardından her yeni kanıtla (on-chain veri, balina aktivitesi, fonlama oranları) bu inancı güncellersiniz. Smart Money API tam da bu tür kanıtları sağlar—inançlarınızı güncelleyin ve olasılıklı kararlar verin.

Temel kavram: Bayes Teoremi: P(B|A) = P(A|B) × P(B) / P(A). Alım satımda: P(Fiyat↑ | Balinalar↑) = balinalar birikim yaparken fiyatın yükselme olasılığı nedir?

Alım Satımda Bayes Teoremi

Formül

Öncel: P(Yön) = başlangıç inancınız (BTC'nin yükselme olasılığı %60)
Olasılık: P(Kanıt | Yön) = yön doğruysa bu kanıtı görme olasılığınız
Kanıt: P(Kanıt) = bu kanıtı görme temel oranı
Sonuç: P(Yön | Kanıt) = kanıt gözlemlendikten sonra güncellenmiş inanç

Örnek: Balina Birikimi Kanıt Olarak

Öncel: BTC'nin yükselme olasılığı %50 (temel). Olasılık: BTC yükselirse, balinaların birikim yapma olasılığı %72 (hareketleri önden kovalarlar). BTC sabit/düşük kalırsa, birikim olasılığı sadece %20. Kanıt: 250+ balina cüzdanının birikim yaptığını gözlemlersiniz.

Python — Bayes güncellemesi
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# Öncel
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# Kanıt olasılığı
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Kanıtın toplam olasılığı (toplam olasılık yasası)
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# Sonuç: P(Yukarı | Kanıt) = Bayes
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783 (%78.3 yükselme olasılığı)
return posterior_up

Sonuç: Balina birikimi gözlemlendikten sonra, yükselme olasılığı %50'den %78'e çıktı. Bu, uzun pozisyon almak için güçlü bir sinyaldir.

Çoklu Sinyalli Bayes Çerçevesi

Birden fazla kanıtı birleştirin (Smart Money API size üç tane verir: türevler, on-chain, balinalar):

Python — Çoklu sinyalli Bayes
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Sıralı güncelleme: önce öncel, sonra her sinyalle güncelle
posterior = prior
# Sinyal 1: Türevler (fonlama oranı, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # yükselirse, %68 pozitif FR olasılığı
# Sinyal 2: On-chain (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # yükselirse, %65 MVRV olumlu olasılığı
# Sinyal 3: Balinalar (konsensüs, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # yükselirse, %72 balina konsensüsü uzun olasılığı
return posterior

Tarihsel Veriden Olasılık Tahmini

P(Kanıt | Yön)'ü nasıl bilirsiniz? Backtestlerden hesaplayın:

Python — Olasılıkları kalibre etme
def estimate_likelihoods(historical_data):
# Balinaların uzun gittiği tüm zamanların % kaçında sonraki 4 saatte fiyat yükseldi?
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
# Balinaların kısa gittiği tüm zamanların % kaçında sonraki 4 saatte fiyat düştü?
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}

Sonuç Olasılıklarına Göre Bahis Yapma

Bir sonuç olasılığı elde ettikten sonra, bahis büyüklüğünüzü orantılı olarak ayarlayın:

Python — Sonuçtan Kelly Kriteri
def kelly_bet_size(posterior_prob, odds=1.1):
# Kelly Kriteri: f = (b*p - q) / b
# p = kazanma olasılığı, q = kaybetme olasılığı, b = oran
p = posterior_prob
q = 1 - p
b = odds - 1  # kazanırsanız, 1.1x geri alırsınız (%10 kâr)
kelly_frac = (b * p - q) / b
# Muhafazakâr olmak için Kelly'nin %25'ini kullanın
position_size = kelly_frac * 0.25
return max(0, position_size)  # asla negatif olmaz
# Örnek: sonuç = %78, Kelly = %6.5, hesabın %1.6'sını kullanın

Verimlilik için Eşlenik Öncüller

Sürekli tahminler için (örneğin, 'balinaların gerçek kazanma oranı nedir?'), Beta öncülleri kullanın:

Beta(α=1, β=1) = uniform (önceden bilgi yok)
Beta(α=10, β=5) = balinaların ~%67 kazandığına inanır ancak belirsiz
Beta(α=100, β=50) = %67 kazanma oranına güçlü inanç

N kazanma ve M kayıp gözlemlendikten sonra, sonuç Beta(α + N, β + M) olur. Bu eşlenik yapı, örnekleme yapmadan anında güncelleme yapmanızı sağlar.

Smart Money ile Olasılıklı Kararlar Verin

API'miz bileşik puanlar ve güven seviyeleri döndürür—Bayes çerçeveleri için tam da gereken girdiler. Balina aktivitesi, on-chain metrikler ve türev sinyalleriyle inançlarınızı güncelleyen bir alım satım sistemi oluşturun.

Bayes Alım Satımını Öğrenin →