貝葉斯推論於交易 — 使用 Smart Money 數據更新信念
貝葉斯推理非常適合交易：你對價格方向有先驗信念，然後根據每個新證據（鏈上數據、鯨魚活動、資金費率）進行更新。Smart Money API 提供的就是這種證據 — 更新你的信念並做出概率性決策。
關鍵概念： 貝葉斯定理：P(B|A) = P(A|B) × P(B) / P(A)。在交易中：P(價格↑ | 鯨魚↑) = 在鯨魚累積的情況下，價格上漲的可能性有多大？
交易中的貝葉斯定理
公式
- 先驗： P(方向) = 你的初始信念（60% 的機率 BTC 上漲）
- 似然： P(證據 | 方向) = 如果方向為真，你看到此證據的機率
- 證據： P(證據) = 看到此證據的基礎機率
- 後驗： P(方向 | 證據) = 觀察到證據後更新的信念
範例：鯨魚累積作為證據
先驗：BTC 上漲的機率為 50%（基準）。似然：如果 BTC 上漲，鯨魚累積的機率為 72%（他們會提前行動）。如果 BTC 持平或下跌，累積的機率僅為 20%。證據：你觀察到 250+ 個鯨魚錢包在累積。
Python — 貝葉斯更新
def bayesian_update(prior_up, likelihood_evidence_given_up, likelihood_evidence_given_down):
# 先驗
p_up = prior_up # 0.50
p_down = 1 - prior_up # 0.50
# 證據似然
p_evidence_given_up = likelihood_evidence_given_up # 0.72
p_evidence_given_down = likelihood_evidence_given_down # 0.20
# 證據的總機率（全機率定律）
p_evidence = (p_evidence_given_up * p_up) + (p_evidence_given_down * p_down)
# = (0.72 * 0.50) + (0.20 * 0.50) = 0.46
# 後驗：P(上漲 | 證據) = 貝葉斯
posterior_up = (p_evidence_given_up * p_up) / p_evidence
# = (0.72 * 0.50) / 0.46 = 0.783（78.3% 的機率上漲）
return posterior_up
結果：觀察到鯨魚累積後，上漲的機率從 50% 上升到 78%。這是一個強烈的做多信號。
多信號貝葉斯框架
結合多個證據（Smart Money API 提供三個：衍生品、鏈上數據、鯨魚）：
Python — 多信號貝葉斯
def multi_signal_bayesian(prior, deriv_signal, onchain_signal, whale_signal):
# 順序更新：從先驗開始，根據每個信號更新
posterior = prior
# 信號 1：衍生品（資金費率，LSR）
posterior = bayesian_update(posterior, 0.68, 0.35) # 如果上漲，68% 的機率資金費率為正
# 信號 2：鏈上數據（MVRV，SOPR）
posterior = bayesian_update(posterior, 0.65, 0.40) # 如果上漲，65% 的機率 MVRV 有利
# 信號 3：鯨魚（共識，PnL）
posterior = bayesian_update(posterior, 0.72, 0.20) # 如果上漲，72% 的機率鯨魚共識做多
return posterior
基於歷史數據的似然估計
你如何知道 P(證據 | 方向)？從回測中計算：
Python — 校準似然
def estimate_likelihoods(historical_data):
# 在所有鯨魚做多的情況下，有多少百分比在接下來的 4 小時內看到價格上漲？
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
# 在所有鯨魚做空的情況下，有多少百分比看到價格下跌？
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}
根據後驗機率下注
一旦你有了後驗機率，按比例調整你的下注：
Python — 基於後驗的凱利準則
def kelly_bet_size(posterior_prob, odds=1.1):
# 凱利準則：f = (b*p - q) / b
# p = 贏的機率，q = 輸的機率，b = 賠率
p = posterior_prob
q = 1 - p
b = odds - 1 # 如果你贏了，你會得到 1.1 倍的回報（10% 的利潤）
kelly_frac = (b * p - q) / b
# 使用 25% 的凱利分數以保守起見
position_size = kelly_frac * 0.25
return max(0, position_size) # 永遠不為負
# 範例：後驗 = 78%，凱利 = 6.5%，使用帳戶的 1.6%
共軛先驗以提高效率
對於連續估計（例如，「鯨魚的真實勝率是多少？」），使用 Beta 先驗：
- Beta(α=1, β=1) = 均勻分佈（無先驗知識）
- Beta(α=10, β=5) = 認為鯨魚的勝率約為 67%，但不確定
- Beta(α=100, β=50) = 對 67% 勝率的強烈信念
觀察到 N 次勝利和 M 次失敗後，後驗為 Beta(α + N, β + M)。這種共軛結構讓你可以即時更新，無需採樣。
使用 Smart Money 做出概率性決策
我們的 API 返回綜合分數和置信度 — 這些正是貝葉斯框架所需的輸入。建立一個交易系統，根據鯨魚活動、鏈上指標和衍生品信號更新信念。
學習貝葉斯交易 →