Байєсів висновок для торгівлі — Оновлення переконань з даними Smart Money

Байєсів міркування ідеально підходять для торгівлі: у вас є попереднє переконання щодо напрямку ціни, яке ви оновлюєте з кожним новим доказом (ончейн-дані, активність китів, ставки фінансування). Smart Money API надає саме такі докази — оновлюйте свої переконання та приймайте ймовірнісні рішення.

Ключове поняття: Теорема Байєса: P(B|A) = P(A|B) × P(B) / P(A). У торгівлі: P(Ціна↑ | Кити↑) = наскільки ймовірно, що ціна зросте, якщо кити накопичують?

Теорема Байєса в торгівлі

Формула

Попереднє: P(Напрямок) = ваше початкове переконання (60% ймовірність, що BTC зросте)
Правдоподібність: P(Доказ | Напрямок) = ймовірність того, що ви побачите цей доказ, якщо напрямок правильний
Доказ: P(Доказ) = базова частота появи цього доказу
Постериорне: P(Напрямок | Доказ) = оновлене переконання після спостереження доказу

Приклад: Накопичення китів як доказ

Попереднє: 50% ймовірність, що BTC зросте (базова лінія). Правдоподібність: Якщо BTC зросте, є 72% ймовірність, що кити накопичують (вони передують рухам). Якщо BTC залишається стабільним/знижується, лише 20% ймовірність накопичення. Доказ: Ви спостерігаєте накопичення у 250+ гаманцях китів.

Python — Байєсівське оновлення
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# Попереднє
p_up = prior_up  # 0.50
p_down = 1 - prior_up  # 0.50
# Правдоподібність доказу
p_evidence_given_up = likelihood_evidence_given_up  # 0.72
p_evidence_given_down = likelihood_evidence_given_down  # 0.20
# Загальна ймовірність доказу (закон загальної ймовірності)
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# Постериорне: P(Вгору | Доказ) = Байєс
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783 (78.3% ймовірність зростання)
return posterior_up

Результат: Після спостереження накопичення китів ймовірність зростання змінюється з 50% до 78%. Це сильний сигнал для відкриття довгої позиції.

Багатосигнальний байєсівський фреймворк

Поєднуйте кілька доказів (Smart Money API надає вам три: деривативи, ончейн, кити):

Python — Багатосигнальний байєсівський
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# Послідовне оновлення: почніть з попереднього, оновлюйте кожним сигналом
posterior = prior
# Сигнал 1: Деривативи (ставка фінансування, LSR)
posterior = bayesian_update(posterior, 0.68, 0.35)  # якщо вгору, 68% ймовірність позитивної FR
# Сигнал 2: Ончейн (MVRV, SOPR)
posterior = bayesian_update(posterior, 0.65, 0.40)  # якщо вгору, 65% ймовірність сприятливого MVRV
# Сигнал 3: Кити (консенсус, PnL)
posterior = bayesian_update(posterior, 0.72, 0.20)  # якщо вгору, 72% ймовірність довгого консенсусу китів
return posterior

Оцінка правдоподібності з історичних даних

Як ви знаєте P(Доказ | Напрямок)? Обчисліть з бектестів:

Python — Калібрування правдоподібностей
def estimate_likelihoods(historical_data):
# З усіх разів, коли кити йшли в довгу, у скільки відсотках ціна зростала наступні 4 години?
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
# З усіх разів, коли кити йшли в коротку, у скільки відсотках ціна падала?
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 постериорні ймовірності

Якщо у вас є постериорна ймовірність, розміщуйте ставку пропорційно:

Python — Критерій Келлі з постериорної
def kelly_bet_size(posterior_prob, odds=1.1):
# Критерій Келлі: f = (b*p - q) / b
# p = ймовірність виграшу, q = ймовірність програшу, b = коефіцієнт ставки
p = posterior_prob
q = 1 - p
b = odds - 1  # якщо ви виграєте, ви отримуєте 1.1x назад (10% прибутку)
kelly_frac = (b * p - q) / b
# Використовуйте 25% від Келлі для консервативності
position_size = kelly_frac * 0.25
return max(0, position_size)  # ніколи не від'ємне
# Приклад: posterior = 78%, Kelly = 6.5%, використовуйте 1.6% рахунку

Спряжені попередні для ефективності

Для безперервних оцінок (наприклад, "яка справжня частота виграшів китів?") використовуйте Beta попередні:

Beta(α=1, β=1) = рівномірний (немає попередніх знань)
Beta(α=10, β=5) = вірить, що кити виграють ~67%, але невпевнений
Beta(α=100, β=50) = сильна віра в 67% частоту виграшів

Після спостереження N виграшів і M програшів, постериорне є Beta(α + N, β + M). Ця спряжена структура дозволяє оновлювати миттєво без вибірки.

Приймайте ймовірнісні рішення з Smart Money

Наш API повертає композитні оцінки та рівні довіри — саме ті вхідні дані для байєсівських фреймворків. Побудуйте торгову систему, яка оновлює переконання з активністю китів, ончейн-метриками та сигналами деривативів.

Дізнайтеся про байєсівську торгівлю →