Laboratorio di probabilità
Calcolatore di probabilità crypto
Le probabilità reali di qualsiasi target di prezzo crypto, calcolate con una simulazione Monte Carlo. Scopri quante possibilità ci sono che Bitcoin, Ethereum o un'altcoin chiuda sopra un livello, resti dentro un range, tocchi un prezzo entro la scadenza o arrivi al target prima dello stop. Gira tutto nel tuo browser, senza registrazione.
Esempi rapidi
Setup
In uso: 45,0% annuo (ripiego manuale, nessun dato).
+Impostazioni del modello
Servono i prezzi massimo e minimo. La fonte dati attuale fornisce solo le chiusure.
Zero per impostazione predefinita, ed è una scelta voluta. Dare per scontata una direzione è il modo migliore per trasformare uno strumento di probabilità in un pio desiderio.
Stesso seed, stesse traiettorie. Cambialo per vedere quanta parte della risposta è rumore della simulazione.
+Confronta con un prezzo di mercato
Se un prediction market o un'opzione quota questo esito, inserisci qui il suo prezzo. Lo strumento ti dirà se lo scarto con il modello è abbastanza grande da contare.
Quanto il mercato fa pagare per questo esito, espresso come probabilità.
Sotto questa soglia lo strumento dichiara che non c'è edge. Il modello non è abbastanza preciso per discutere di differenze piccole.
Facoltativo. Serve solo a trasformare una frazione di Kelly in una puntata.
In questo momento i dati live non sono disponibili. Il calcolatore funziona lo stesso: imposta tu il prezzo spot e la volatilità e ogni numero qui sotto resta valido.
Risultato
Probabilità entro 7 giorni: Bitcoin chiude sopra $125.000 (volatilità 45%, ripiego manuale, nessun dato).
Sintesi del trade
Il movimento che il tuo target richiede, annualizzato, così una settimana e un anno stanno sulla stessa scala. Confrontalo con quello che questo asset ha reso davvero: se il tuo target ne pretende diverse volte tanto, le probabilità qui sopra sono aritmetica, non una previsione.
La probabilità da sola non dimensiona una posizione. La distanza dal target in sigma è il primo numero da leggere: sotto un sigma è un movimento ordinario, oltre due è un caso raro. Le due sensibilità mostrano quanta parte della tua risposta poggia su numeri che hai stimato invece di leggerli.
Rischio di restare in posizione
Il Value at Risk è la perdita che superi soltanto nei casi peggiori: il 5% peggiore al livello 95, l'1% peggiore al livello 99. L'Expected Shortfall è la perdita media in quei casi, ed è il numero che conta, perché dice quanto diventano brutti davvero i giorni brutti.
Volatilità
Questo modello ha avuto ragione in passato?
Nessuna calibrazione per questa domanda. Corridoio e corsa si decidono sull'intera traiettoria, e il test walk-forward valuta solo le domande che può risolvere con un singolo prezzo di chiusura. Anche gli storici brevi offrono troppo pochi casi indipendenti per assegnare un punteggio.
Che cosa fa davvero un calcolatore di probabilità crypto
La maggior parte degli strumenti che si definiscono calcolatore crypto calcola solo profitti e perdite: inserisci un prezzo di acquisto e un prezzo di vendita e ti restituiscono un rendimento. Questo è uno strumento diverso. Un calcolatore di probabilità crypto risponde alla domanda che viene prima di qualsiasi trade: quanto è probabile il movimento? Dagli un prezzo target e una scadenza e ti restituisce la probabilità, fondata su quanto l'asset si muove davvero, non sull'opinione di qualcuno riguardo alla direzione. La direzione è il tuo input. Le probabilità sono l'output.
Questo conta soprattutto quando un mercato quota già un prezzo per la stessa domanda. Un prediction market su Bitcoin che paga se BTC supera un livello entro venerdì sta quotando una probabilità implicita. Questo calcolatore ti dà un secondo parere indipendente, ricavato dalla volatilità dell'asset stesso, e poi mostra il divario e se sopravvive ai costi di trading. È la stessa disciplina che un desk applica a una quotazione di opzioni, in una forma che chiunque può usare nel browser.
Quando la pagina si carica, preseleziona la domanda con cui quasi tutti arrivano qui: un prezzo target tondo poco sopra il prezzo attuale, con chiusura sopra entro una settimana. Se cambi l'asset, il target viene ricalcolato automaticamente. Se cambi il target, l'orizzonte temporale o il tipo di domanda, da quel momento in poi la tua scelta viene mantenuta.
Come vengono calcolate le probabilità
Il primo modello è l'approccio log-normale preso in prestito dal pricing delle opzioni, il termine N(d2) che conosci dal framework di Black-Scholes. Prende il prezzo attuale, il tuo target, il tempo residuo e una volatilità annualizzata, e restituisce la probabilità che il prezzo chiuda oltre il target con drift nullo, dove il drift è la deriva di fondo del prezzo. La volatilità è misurata dalle chiusure giornaliere in tempo reale come deviazione standard dei rendimenti logaritmici, annualizzata con la radice quadrata di 365, perché le crypto si scambiano ogni giorno dell'anno.
Il secondo modello salta la teoria. Scansiona lo storico e conta quante volte l'asset ha davvero percorso la distanza richiesta entro il tuo orizzonte. Se Bitcoin deve guadagnare l'8 per cento in 30 giorni, lo strumento controlla ogni finestra di 30 giorni nel periodo di lookback, cioè quanti giorni di storico usi, e riporta l'hit rate, cioè quante volte si è davvero verificato. Le finestre si sovrappongono, quindi i campioni non sono del tutto indipendenti: per questo il risultato mostra anche il numero effettivo di blocchi non sovrapposti e un intervallo di Wilson al 95 per cento dietro quel dato.
Il terzo motore è una simulazione Monte Carlo che genera passo dopo passo migliaia di traiettorie di prezzo per Bitcoin o per le altcoin, lo stesso approccio di simulazione che i quant usano per mappare una distribuzione di probabilità dei prezzi futuri. Sulle domande semplici concorda con la forma chiusa, il che è un utile controllo interno, ma può anche fare cose che le formule non possono: traiettorie a code grasse (fat tails), domande di tipo Tocco con code grasse e l'intero cono di prezzo che vedi in alto. Una sottigliezza che vale la pena conoscere: l'opzione code grasse applica una t di Student al rendimento dell'intero orizzonte, mentre il motore Monte Carlo applica le code grasse a ogni singolo passo, e molti passi a code grasse, sommati, tendono verso una forma normale. I due possono legittimamente divergere su orizzonti lunghi, e quella divergenza è un'ulteriore misura onesta del rischio di modello. Il numero in evidenza è la mediana dei tre motori. Chiariamo che cosa significa: per le domande Chiusura, range, Corridoio e Tocco la forma chiusa e il Monte Carlo stimano la stessa quantità e coincidono a meno del rumore di simulazione, quindi la mediana è pari al valore del modello e il Monte Carlo funge soprattutto da controllo numerico interno; l'hit rate storico è il benchmark indipendente della realtà, e lo scarto fra il motore più alto e quello più basso viene mostrato come divergenza. Solo la domanda Corsa, che non ha una forma chiusa, lascia che simulazione e storico fissino direttamente il numero in evidenza. Una divergenza ampia è informazione, ma va letta con attenzione: per una scommessa direzionale su un orizzonte lungo, una parte della divergenza fra modello e storico è il drift realizzato dell'asset e il suo regime di volatilità, non solo incertezza di modello.
Chiusura, range e Tocco
Queste domande hanno nomi precisi nel trading di opzioni, e questo calcolatore le porta nel mondo crypto. Una domanda di tipo Chiusura è la probabilità di scadere in the money o out of the money (probabilità ITM/OTM), cioè la probabilità che il prezzo si trovi sopra o sotto un livello esattamente alla scadenza. Una domanda di tipo Tocco è la probabilità di tocco (POT), cioè se il prezzo raggiunge un livello in un qualsiasi momento prima della scadenza, anche se poi ritorna indietro. Le due non sono intercambiabili. La probabilità di Tocco è sempre più alta e, per una barriera vicina allo spot, arriva quasi al doppio della probabilità di Chiusura, perché al prezzo basta arrivarci una volta sola. Per le domande di tipo Tocco lo strumento usa la formula del primo passaggio per il moto browniano geometrico, così un mercato che chiede "Bitcoin toccherà i 130k questa settimana" ottiene la risposta giusta invece della probabilità di Chiusura, molto più bassa. Con le code grasse attivate, il caso Tocco viene gestito direttamente dal motore Monte Carlo.
La domanda range è la differenza fra due probabilità di Chiusura, utile per la forma di mercato molto diffusa "il prezzo sarà fra X e Y al settlement".
Volatilità implicita e fair value
Quando inserisci un prezzo di mercato, lo strumento risolve il modello all'indietro per trovare la volatilità implicita (IV), cioè l'unica volatilità che renderebbe il modello coerente con quel prezzo. Questo ribalta l'intera domanda. Invece di discutere su una probabilità, confronti due volatilità: quella che il mercato ti sta facendo pagare e quella che l'asset ha davvero prodotto. Se un contratto a una settimana è prezzato come se la volatilità annualizzata fosse del 90 per cento mentre Bitcoin ne sta realizzando 50, il contratto è caro, e la probabilità del modello resta sotto il prezzo di mercato. Il blocco fair value e valore atteso trasforma poi quel divario in denaro: il prezzo del modello in centesimi, il profitto atteso per contratto al netto dei costi e il rendimento sulla puntata.
La probabilità non è sempre monotona nella volatilità, quindi il solver scansiona l'intera gamma di volatilità e segnala onestamente quando due volatilità riproducono lo stesso prezzo, oppure quando nessuna volatilità riesce a riprodurre il prezzo di mercato. Un prezzo oltre il tetto del modello significa che il mercato sta pagando per qualcosa che una diffusione pura non contiene, una visione direzionale o un rischio di salto, e lo strumento lo dice invece di forzare un numero.
Il livello professionale
I desk seri non misurano la volatilità dai soli prezzi di chiusura. Una candela giornaliera porta con sé quattro prezzi, e gli stimatori basati sul range ne estraggono molte più informazioni: Parkinson usa l'escursione fra massimo e minimo, Garman-Klass e Rogers-Satchell usano l'intero set OHLC, e Yang-Zhang combina le componenti overnight, open-to-close e range nello stimatore non distorto più efficiente della famiglia, diverse volte più preciso del close-to-close sulla stessa finestra. Il menu a tendina dello stimatore sposta le finestre 30d, 90d e Blend su queste misure ogni volta che sono caricate le candele di Binance.
La seconda abitudine professionale è trattare la volatilità come una previsione, non come un'istantanea. La volatilità forma cluster e torna verso la media, quindi l'input giusto per una domanda a 30 giorni è la volatilità media attesa su quei 30 giorni, non la lettura di oggi. La modalità GARCH(1,1) stima il modello di varianza standard sullo storico caricato con variance targeting e produce esattamente quella previsione sull'orizzonte, insieme al livello di lungo periodo, alla persistenza e all'emivita di uno shock di volatilità. Quando la volatilità attuale è elevata, il numero GARCH sull'orizzonte si colloca sotto la lettura spot, e sopra quando la volatilità è compressa. La linea del cono di volatilità mostra come si posiziona la volatilità di oggi rispetto alla propria storia, e l'interruttore opzionale del variance ratio corregge lo scaling con la radice quadrata del tempo per la mean reversion o il momentum misurati nei rendimenti su più giorni.
La terza aggiunta è la simulazione storica filtrata (filtered historical simulation), il metodo che le banche usano per il value at risk. Invece di assumere una forma normale o t di Student, la modalità Storico divide ogni rendimento passato per la volatilità del momento in cui si è verificato, poi ricampiona quei residui standardizzati e li riscala al livello di volatilità attuale. Le traiettorie simulate portano con sé l'asimmetria e il peso delle code reali dell'asset al livello di rischio di oggi. Anche le domande di tipo Tocco sono diventate più oneste nel motore storico: ora gli hit rate controllano massimi e minimi giornalieri invece delle chiusure, così i tocchi intraday contano. Il numero in evidenza è la mediana dei tre motori, e lo scarto fra loro ti dice quanto sia in dubbio il metodo stesso. Quello scarto non è la soglia che un edge, cioè un vantaggio statistico, deve superare, per quanto sia allettante usarlo come tale. La soglia viene invece dalla barra di errore sulla stima di volatilità, perché i tre motori sono in disaccordo anche sul drift, e il drift è un'ipotesi che hai fornito tu, non qualcosa che ti ha detto il mercato.
Corridoio, Corsa e rischio di salto
La versione 2 aggiunge le tre domande e l'unica fonte di rischio che i motori originali non riuscivano a esprimere. La domanda Corridoio chiede se il prezzo resta dentro una banda per tutta la durata, senza toccare nessuno dei due lati: la double no-touch delle opzioni esotiche sul forex. È tutta un'altra cosa rispetto al chiudere dentro la stessa banda: al 60 per cento di volatilità, una banda dentro cui Bitcoin chiude due volte su tre viene rispettata dall'inizio alla fine appena una volta su tre. Lo strumento la prezza con l'espansione per immagini a doppia barriera (la stessa matematica del risultato di Kunitomo e Ikeda sulle barriere curve), verificata per confronto con le traiettorie Monte Carlo e con lo storico delle finestre complete che non hanno mai lasciato la banda.
La Corsa A prima di B è la vera domanda del trader: il prezzo tocca il take profit prima dello stop loss, entro la scadenza? I prediction market quotano esattamente questa forma. Con una scadenza non esiste una forma chiusa semplice, quindi il motore Monte Carlo risponde traiettoria per traiettoria, vince la prima barriera colpita, il motore storico ripercorre ogni finestra passata usando massimi e minimi giornalieri, e la classica formula della rovina del giocatore fornisce come ancoraggio il limite senza scadenza. Il risultato mostra anche quanto spesso la Corsa viene decisa prima che il tempo scada, e il tempo mediano fino a una decisione.
La distribuzione jump diffusion (Merton 1976) prende atto che le crypto fanno gap. La bipower variation separa la varianza misurata in una parte diffusiva regolare e una parte discontinua (Barndorff-Nielsen e Shephard 2004), un rilevatore a 4 sigma sui rendimenti standardizzati per la volatilità conta i salti e ne misura l'ampiezza, e la probabilità di Chiusura diventa una miscela di Poisson di gaussiane. Per un target lontano con una scadenza breve, dove un singolo salto è la via principale per arrivarci, il modello con i salti e i modelli regolari divergono, e quella divergenza è esattamente il premio per il rischio di salto che i desk di opzioni prezzano. Le domande di tipo Tocco in presenza di salti passano al motore Monte Carlo, che inserisce salti di Poisson composti in ogni traiettoria.
Il rischio, e se il modello si merita le sue probabilità
Una probabilità da sola non descrive che cosa la posizione può farti lungo il percorso. Il pannello del rischio legge il value at risk e l'expected shortfall al 95 e al 99 per cento direttamente dalla distribuzione terminale simulata, la misura di rischio coerente di Artzner et al. (1999) nella forma esatta che Rockafellar e Uryasev (2000) hanno reso standard, insieme alla probabilità di subire un drawdown del 10, 20 o 30 per cento a un certo punto prima della scadenza, che le forme chiuse non possono vedere perché è una proprietà della traiettoria. Tutto quanto viene dalle stesse traiettorie della probabilità in evidenza, quindi i numeri non possono divergere in silenzio l'uno dall'altro.
Il backtest di calibrazione è la funzione a cui il resto dello strumento deve rispondere. Ripete la tua domanda esatta, stessa distanza relativa e stesso orizzonte, a ogni data dello storico caricato, forma la probabilità usando solo i dati disponibili a quella data, e valuta le previsioni con il Brier score (Brier 1950), la regola di scoring strettamente propria per le probabilità (Gneiting e Raftery 2007). Il pannello mostra il Brier del modello a confronto con l'ipotesi di indovinare sempre il tasso di base, la percentuale di skill che ne risulta e una tabella di affidabilità per fascia di previsione. Quando il modello non ha alcuna skill sulla tua domanda, il pannello lo dice, e la risposta onesta è allargare la tua incertezza, non fidarsi di più del numero in evidenza. L'hit rate storico stesso ora porta con sé un intervallo di Wilson (Wilson 1927), l'intervallo binomiale che si comporta correttamente con dimensioni del campione effettive ridotte, calcolato su blocchi non sovrapposti.
Infine, la probabilità in evidenza porta con sé la propria barra di errore. Una volatilità stimata da trenta candele è incerta, quell'incertezza si propaga in qualsiasi probabilità calcolata a partire da essa, e lo snapshot del trade ora mostra la banda al 95 per cento che ne deriva sulla probabilità stessa. Non è un intervallo di confidenza attorno al numero in evidenza: il numero in evidenza è la mediana di più motori, e può stare fuori da quella banda. Quando succede, i motori non stanno discutendo solo della volatilità. L'indice di coda di Hill (Hill 1975), misurato sui rendimenti caricati, si trova nel pannello di diagnostica più in basso, dove indica anche i gradi di libertà che la tua impostazione delle code grasse dovrebbe avere, così puoi vedere se quell'impostazione corrisponde alla coda reale dell'asset. Per Bitcoin ed Ethereum, la riga di diagnostica richiama anche l'indice DVOL di Deribit, la volatilità implicita a 30 giorni del mercato delle opzioni stesso, il miglior benchmark esterno in assoluto per capire se il tuo input di volatilità è nell'ordine di grandezza giusto (Christensen e Prabhala 1998).
Perché "nessun edge" è la risposta di default
Il controllo dell'edge è volutamente severo. Lo strumento segnala un edge, cioè un vantaggio statistico, solo quando il divario fra il punto medio del modello e il prezzo di mercato supera allo stesso tempo i costi di trading e la divergenza fra i suoi stessi modelli. Tutto il resto restituisce nessun edge, perché per la maggior parte dei mercati liquidi, quasi sempre, è questa la risposta onesta. I prezzi dei prediction market aggregano opinioni sostenute da denaro vero e, in media, il prezzo è vicino alla probabilità. Uno strumento che trova un trade in ogni mercato sta fabbricando segnali, non facendo analisi. Questo è costruito per dire di no.
Per un benchmark più solido della volatilità realizzata, inserisci come volatilità manuale la volatilità implicita (IV) delle opzioni Deribit con una scadenza simile, e attiva le code grasse (fat tails). Se la forma chiusa e l'hit rate storico, cioè quante volte si è davvero verificato, divergono nettamente su un target estremo, le code grasse di solito riducono la divergenza: è un indizio che la cosa sbagliata era la distribuzione normale.
Tre affinamenti presi dalla ricerca
Il modello delle code si adatta all'orizzonte temporale. I rendimenti di Bitcoin hanno code estremamente grasse su ore e giorni, ma si aggregano verso una forma normale su settimane e mesi, una proprietà chiamata gaussianità aggregazionale. Con l'impostazione automatica attiva, i gradi di libertà delle code grasse scalano con la scadenza: una domanda a sette giorni riceve code più grasse di una a novanta giorni, il che rispecchia l'indice di coda misurato invece di assumere un unico valore fisso. Il campo mostra il valore in uso mentre cambi l'orizzonte.
L'effetto leva è disponibile come interruttore. Le crypto, come le azioni, tendono a scendere più in fretta di quanto salgano, e questa asimmetria è misurabile nei rendimenti di Bitcoin. Attivandolo si aggiunge alla simulazione e alla forma chiusa un'asimmetria negativa scalata sull'orizzonte, così le domande di tipo Chiusura sotto e Tocco al ribasso ricevono il peso extra al ribasso che meritano, e il cono di prezzo si apre di più sotto lo spot che sopra. È disattivato di default perché è un'opinione di modellazione, non una certezza, ma per il rischio al ribasso è il default più realistico.
La stima di volatilità porta con sé un intervallo di confidenza. Un numero di volatilità letto da trenta candele è a sua volta incerto, e gli stimatori basati sul range come Yang-Zhang estraggono da ogni candela molte più informazioni di una misura close to close. Lo snapshot del trade mostra ora la banda al novantacinque per cento attorno alla stima di volatilità e quanto lo stimatore scelto sia più stretto rispetto al close to close, così puoi vedere quanta parte della probabilità poggia su un input di volatilità traballante.
Leggere i numeri da trader
La probabilità da sola non dimensiona un trade. Lo snapshot del trade trasforma le probabilità nelle cifre su cui un trader agisce davvero. Il movimento atteso è il range a una deviazione standard per l'orizzonte, la banda dentro la quale il prezzo resta circa due volte su tre, disegnata direttamente sul cono di prezzo come le linee più e meno un sigma. La distanza del target in sigma ti dice a colpo d'occhio se un livello è un movimento di routine o un evento di coda: sotto un sigma è ordinario, oltre due sigma è raro. Il rendimento implicito necessario per centrare il target annualizza il movimento che il tuo target richiede, così una settimana e un anno stanno sulla stessa scala; leggilo insieme a quello che l'asset ha reso davvero, e un target che ne pretende diverse volte tanto è aritmetica, non una previsione. Le sensibilità per punto di volatilità e per giorno mostrano quanto le probabilità siano fragili rispetto alle tue stesse ipotesi, che è poi il punto in cui la maggior parte delle stime di probabilità sbaglia in silenzio, e subito sotto lo snapshot dice quanto bene sia nota la volatilità in partenza: la sua barra di errore al 95 per cento, quanto il tuo stimatore sia più stretto del close-to-close, e quanto valga quell'incertezza in punti di probabilità.
Quando è presente un prezzo di mercato, il blocco del fair value aggiunge il rapporto rischio/rendimento e il win rate di pareggio, i due numeri che decidono se un valore atteso positivo vale la varianza. Un contratto può essere economico e restare comunque un trade scadente se il rendimento è piccolo rispetto al rischio, e può sembrare caro e pagare lo stesso perché il rendimento è grande. Leggere insieme probabilità, rischio/rendimento e valore atteso: la disciplina è tutta qui.
Un simulatore Monte Carlo per i prezzi crypto
Sotto il cofano questa è una simulazione Monte Carlo su Bitcoin e funziona per qualsiasi coin. Legge la volatilità live dell'asset, poi genera migliaia di traiettorie di prezzo future secondo il moto browniano geometrico, con una forma dei rendimenti opzionale a code grasse o storica. Il risultato è una distribuzione di probabilità completa di dove il prezzo potrebbe trovarsi alla tua scadenza, disegnata come il cono di prezzo che si allarga con le sue bande dal 5 al 95 e dal 25 al 75 percentile. A differenza di una previsione puntuale che indica un singolo numero, una simulazione Monte Carlo mostra l'intera dispersione degli esiti e quanto in fretta si allarga con il tempo, che è il modo onesto di ragionare su un asset volatile. Scegli tu il numero di traiettorie, da mille rapide a ventimila per un risultato liscio, e un seed fisso mantiene riproducibile qualsiasi risultato condiviso.
Uno strumento di fair value ed edge per i prediction market
Se fai trading su domande relative a Bitcoin in un prediction market, per esempio un contratto Sì o No sul fatto che BTC superi un livello entro venerdì, questo funziona anche come calcolatore di fair value e valore atteso. Inserisci il prezzo di mercato e lo strumento ne ricava la volatilità implicita, la confronta con quella che l'asset realizza davvero e riporta il prezzo di fair value in centesimi, il valore atteso per contratto al netto dei costi e il sizing di Kelly. Segnala un edge solo quando il divario supera sia i costi di trading sia la divergenza fra i suoi stessi modelli, quindi dice di no molto più spesso che di sì. Ed è proprio questo il punto: un controllo onesto dell'edge, non un generatore di segnali.
Cosa puoi misurare
Il calcolatore copre le domande sui prezzi che trader e partecipanti ai prediction market si pongono davvero. Se Bitcoin chiuderà sopra una cifra tonda entro fine mese. Se Ethereum resta dentro un range fino a una scadenza. Quanto è probabile che Solana, BNB, XRP o Dogecoin tocchino un livello in un qualsiasi momento di questa settimana. Qualsiasi coppia spot di Binance funziona tramite il campo simbolo personalizzato, quindi un'altcoin poco liquida è a un solo inserimento di distanza. Prezzo live e volatilità si caricano automaticamente, oppure puoi digitare i tuoi numeri e lavorare interamente a mano.
Non devi nemmeno digitare: i pulsanti degli esempi rapidi sopra il calcolatore impostano con un clic le varianti più richieste di queste domande sul prezzo live, e l'API per agenti integrata in questa pagina espone ogni motore che c'è dietro, così un assistente può recuperare il quadro completo in modo programmatico invece di leggerlo dallo schermo.
È costruito e mantenuto da unCoded, il bot di trading crypto self hosted e non custodial della svizzera ArrowTrade AG. Se vuoi trasformare un edge di probabilità in una strategia automatizzata, la documentazione è il punto da cui partire. Lo strumento in sé resta gratuito e non richiede alcun account.
La scienza dietro lo strumento
Ogni metodo qui presente è un risultato pubblicato nella letteratura sottoposta a peer review oppure un riferimento numerico standard, non una scatola nera proprietaria. Ogni voce qui sotto collega una funzione specifica del calcolatore alla sua fonte originale, così i numeri possono essere ricondotti alle loro fondamenta.
I link rimandano all'editore ufficiale o al DOI canonico. Il calcolatore implementa forme standard e consolidate di questi metodi ed è uno strumento didattico, non una rivendicazione di ricerca originale. I modelli semplificano la realtà, e nessuna stima di probabilità elimina il rischio di mercato.
- Black, F. and Scholes, M. (1973). The Pricing of Options and Corporate Liabilities. Journal of Political Economy, 81(3), 637 to 654. doi:10.1086/260062
- Alimenta il modello log-normale: la probabilità N(d2) che il prezzo chiuda oltre un target.
- Kelly, J. L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal, 35(4), 917 to 926. doi:10.1002/j.1538-7305.1956.tb03809.x
- Il criterio di Kelly alla base del pannello di position sizing, cioè quanto grande apri la posizione, sempre mostrato come Kelly frazionario per tenere conto dell'errore di stima.
- Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307 to 327. doi:10.1016/0304-4076(86)90063-1
- La modalità di volatilità GARCH(1,1): prevede la volatilità media sul tuo orizzonte invece di usare la lettura di oggi.
- Parkinson, M. (1980). The Extreme Value Method for Estimating the Variance of the Rate of Return. Journal of Business, 53(1), 61 to 65. doi:10.1086/296071
- Lo stimatore di volatilità high-low di Parkinson, il primo degli stimatori basati sul range offerti.
- Garman, M. B. and Klass, M. J. (1980). On the Estimation of Security Price Volatilities from Historical Data. Journal of Business, 53(1), 67 to 78. doi:10.1086/296072
- Lo stimatore di volatilità OHLC di Garman-Klass, selezionabile per le finestre 30d, 90d e blend.
- Rogers, L. C. G. and Satchell, S. E. (1991). Estimating Variance from High, Low and Closing Prices. The Annals of Applied Probability, 1(4), 504 to 512. doi:10.1214/aoap/1177005835
- Lo stimatore di Rogers-Satchell, robusto al drift (la deriva di fondo del prezzo), e mattone dello stimatore di Yang-Zhang qui sotto.
- Yang, D. and Zhang, Q. (2000). Drift-Independent Volatility Estimation Based on High, Low, Open, and Close Prices. Journal of Business, 73(3), 477 to 492. doi:10.1086/209650
- Lo stimatore di Yang-Zhang, il più efficiente della famiglia, usato come misura basata sul range di default e nella riga diagnostica.
- Barone-Adesi, G., Giannopoulos, K. and Vosper, L. (1999). VaR without Correlations for Portfolios of Derivative Securities. Journal of Futures Markets, 19(5), 583 to 602. doi:10.1002/(SICI)1096-9934(199908)19:5<583::AID-FUT5>3.0.CO;2-S
- La simulazione storica filtrata, il metodo dietro la distribuzione dei rendimenti Storica, che ricampiona i rendimenti standardizzati dell'asset stesso.
- Begusic, S., Kostanjcar, Z., Stanley, H. E. and Podobnik, B. (2018). Scaling Properties of Extreme Price Fluctuations in Bitcoin Markets. Physica A: Statistical Mechanics and its Applications, 510, 400 to 406. doi:10.1016/j.physa.2018.06.131
- Misura per Bitcoin un esponente di coda a legge di potenza fra 2 e 2,5, più grasso del circa 3 delle azioni. È la base empirica dell'opzione code grasse (Student-t).
- de Sousa Filho, F. N. M., Silva, J. N., Bertella, M. A. and Brigatti, E. (2021). The Leverage Effect and Other Stylized Facts Displayed by Bitcoin Returns. Brazilian Journal of Physics (2021). doi:10.1007/s13538-020-00846-8
- Fonda due affinamenti del motore: la pesantezza delle code scalata sull'orizzonte (i rendimenti si aggregano verso la normale su orizzonti più lunghi) e l'effetto leva (i rendimenti negativi alzano la volatilità), che guidano i gradi di libertà automatici e l'interruttore della leva.
- Wolfers, J. and Zitzewitz, E. (2004). Prediction Markets. Journal of Economic Perspectives, 18(2), 107 to 126. doi:10.1257/0895330041371321
- L'evidenza che i prezzi dei prediction market liquidi sono stime di probabilità accurate, ed è per questo che il controllo dell'edge tratta il prezzo di mercato come un benchmark serio.
- Merton, R. C. (1976). Option Pricing When Underlying Stock Returns Are Discontinuous. Journal of Financial Economics, 3(1-2), 125 to 144. doi:10.1016/0304-405X(76)90022-2
- Il modello jump diffusion dietro la distribuzione Salti: probabilità di chiusura come mistura di Poisson di gaussiane, salti in ogni traiettoria Monte Carlo.
- Barndorff-Nielsen, O. E. and Shephard, N. (2004). Power and Bipower Variation with Stochastic Volatility and Jumps. Journal of Financial Econometrics, 2(1), 1 to 37. doi:10.1093/jjfinec/nbh001
- La bipower variation, lo stimatore che scompone la varianza realizzata nella sua parte diffusiva e in quella dei salti, usato per stimare il modello dei salti dallo storico caricato.
- Kunitomo, N. and Ikeda, M. (1992). Pricing Options with Curved Boundaries. Mathematical Finance, 2(4), 275 to 298. doi:10.1111/j.1467-9965.1992.tb00033.x
- La famiglia di espansioni per immagini a doppia barriera dietro la probabilità del Corridoio (double no-touch).
- Glosten, L. R., Jagannathan, R. and Runkle, D. E. (1993). On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of Finance, 48(5), 1779 to 1801. doi:10.1111/j.1540-6261.1993.tb05128.x
- GJR-GARCH: il modello di volatilità asimmetrica stimato accanto a GARCH(1,1); usato per la previsione sull'orizzonte quando un test del rapporto di verosimiglianza dice che l'asimmetria è reale.
- Artzner, P., Delbaen, F., Eber, J.-M. and Heath, D. (1999). Coherent Measures of Risk. Mathematical Finance, 9(3), 203 to 228. doi:10.1111/1467-9965.00068
- Perché il pannello di rischio riporta l'expected shortfall e non solo il VaR: ES è la misura di rischio coerente delle due.
- Rockafellar, R. T. and Uryasev, S. (2000). Optimization of Conditional Value-at-Risk. Journal of Risk, 2(3), 21 to 41. doi:10.21314/JOR.2000.038
- La formulazione standard CVaR / expected shortfall calcolata dalla distribuzione terminale simulata nel pannello di rischio.
- Brier, G. W. (1950). Verification of Forecasts Expressed in Terms of Probability. Monthly Weather Review, 78(1), 1 to 3. doi:10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2
- Il Brier score, la spina dorsale del pannello di backtest sulla calibrazione.
- Gneiting, T. and Raftery, A. E. (2007). Strictly Proper Scoring Rules, Prediction, and Estimation. Journal of the American Statistical Association, 102(477), 359 to 378. doi:10.1198/016214506000001437
- Perché una regola di punteggio strettamente propria è il modo giusto di giudicare le probabilità del modello, e perché il backtest non può essere aggirato con previsioni annacquate.
- Wilson, E. B. (1927). Probable Inference, the Law of Succession, and Statistical Inference. Journal of the American Statistical Association, 22(158), 209 to 212. doi:10.1080/01621459.1927.10502953
- L'intervallo di Wilson sull'hit rate storico, calcolato su blocchi non sovrapposti, al posto del semplice errore standard normale.
- Hill, B. M. (1975). A Simple General Approach to Inference About the Tail of a Distribution. The Annals of Statistics, 3(5), 1163 to 1174. doi:10.1214/aos/1176343247
- L'indice di coda di Hill nel pannello diagnostico, misurato dai rendimenti caricati; funge anche da suggerimento guidato dai dati per i gradi di libertà della Student-t.
- Lo, A. W. and MacKinlay, A. C. (1988). Stock Market Prices Do Not Follow Random Walks: Evidence from a Simple Specification Test. Review of Financial Studies, 1(1), 41 to 66. doi:10.1093/rfs/1.1.41
- La statistica del variance ratio dietro l'interruttore opzionale di scaling della volatilità sull'orizzonte e dietro la lettura diagnostica.
- Jarque, C. M. and Bera, A. K. (1980). Efficient Tests for Normality, Homoscedasticity and Serial Independence of Regression Residuals. Economics Letters, 6(3), 255 to 259. doi:10.1016/0165-1765(80)90024-5
- Il test di normalità nel pannello diagnostico che ti dice se l'impostazione Normale è difendibile sui dati caricati.
- Ljung, G. M. and Box, G. E. P. (1978). On a Measure of Lack of Fit in Time Series Models. Biometrika, 65(2), 297 to 303. doi:10.1093/biomet/65.2.297
- Il test di Ljung-Box su rendimenti e rendimenti al quadrato nel pannello diagnostico: la versione sui rendimenti al quadrato è l'evidenza del clustering di volatilità che giustifica GARCH.
- Christensen, B. J. and Prabhala, N. R. (1998). The Relation Between Implied and Realized Volatility. Journal of Financial Economics, 50(2), 125 to 150. doi:10.1016/S0304-405X(98)00034-8
- Perché il benchmark di volatilità implicita delle opzioni Deribit DVOL è mostrato accanto al tuo input di volatilità realizzata: la volatilità implicita contiene informazioni reali sulla volatilità realizzata futura.
- Broadie, M., Glasserman, P. and Kou, S. (1997). A Continuity Correction for Discrete Barrier Options. Mathematical Finance, 7(4), 325 to 349. doi:10.1111/1467-9965.00035
- Il bias da monitoraggio discreto negli attraversamenti di barriera; il Monte Carlo della Corsa applica una correzione di continuità a ponte browniano, così le sue probabilità di primo passaggio corrispondono al monitoraggio continuo con qualsiasi ampiezza di passo.
- West, G. (2009). Better Approximations to Cumulative Normal Functions. Wilmott Magazine, 70 to 76.
- La normale cumulativa in doppia precisione basata su Hart, usata ovunque; le probabilità si leggono direttamente come coda superiore, così le probabilità profondamente out-of-the-money mantengono piena accuratezza relativa invece di collassare a zero.
- Self, S. G. and Liang, K.-Y. (1987). Asymptotic Properties of Maximum Likelihood Estimators and Likelihood Ratio Tests Under Nonstandard Conditions. Journal of the American Statistical Association, 82(398), 605 to 610. doi:10.1080/01621459.1987.10478472
- Poiché il termine di leva del GJR si trova sul bordo dello spazio dei parametri, il rapporto di verosimiglianza fra GARCH e GJR viene testato rispetto alla corretta mistura semi chi-quadro, così il modello asimmetrico non viene né selezionato troppo né troppo poco.
Domande frequenti
Queste sono le domande che ricorrono più spesso sulla probabilità crypto: che cosa significa il numero, da dove arriva e dove smette di essere utile. Qui le risposte sono brevi. Il ragionamento che c'è dietro si trova nelle sezioni sopra.
- Questo calcolatore può prevedere dove andrà Bitcoin?
- No. Non prevede la direzione. Stima quanto è probabile un movimento di una data ampiezza entro un dato tempo, sulla base di quanto oscilla davvero l'asset. La direzione è il tuo input, la probabilità è l'output.
- Qual è la differenza tra una domanda di chiusura e una di tocco?
- Una domanda di chiusura chiede dove finisce il prezzo alla scadenza. Una domanda di tocco chiede se il prezzo raggiunge un livello in un qualsiasi momento prima della scadenza. La probabilità di tocco è sempre più alta, spesso vicina al doppio per una barriera vicina, perché al prezzo basta arrivarci una volta sola.
- Cosa significa il valore della volatilità implicita?
- È la volatilità che renderebbe il modello coerente con il prezzo di mercato che hai inserito. Se il mercato implica una volatilità molto più alta di quella che l'asset mostra davvero, il contratto sembra caro, e viceversa se implica una volatilità più bassa. Alcuni prezzi di mercato non sono raggiungibili con nessuna volatilità: significa che il mercato sta prezzando una view direzionale o il rischio di salto.
- Quale impostazione di volatilità dovrei usare?
- Il mix tra volatilità realizzata a 30 e a 90 giorni è il default sensato. L'EWMA reagisce più in fretta a un regime che cambia. Per uno stress test, inserisci come volatilità manuale la volatilità implicita delle opzioni Deribit con una scadenza simile.
- Quale misura di volatilità usano i professionisti?
- Stimatori basati sul range come Yang-Zhang su candele OHLC complete per la misurazione, e una previsione in stile GARCH per l'orizzonte temporale, perché la volatilità forma cluster e torna verso la media. Questo strumento offre entrambi, più la simulazione storica filtrata, così le traiettorie simulate portano con sé la forma reale dei rendimenti dell'asset.
- Perché lo strumento dice così spesso nessun edge?
- Perché di solito è la verità. I prediction market liquidi aggregano opinioni espresse con soldi veri, e in media il prezzo è vicino alla probabilità. Lo strumento segnala un edge, cioè un vantaggio statistico, solo quando il divario supera i costi di trading e la divergenza tra i suoi stessi modelli.
- Questo calcolatore di probabilità crypto è gratuito?
- Sì, completamente gratuito, e gira interamente nel tuo browser senza account. Prezzo e volatilità in tempo reale arrivano dai dati pubblici di Binance con un fallback su CoinGecko, e niente di ciò che inserisci lascia il tuo dispositivo.
- Quali coin supporta?
- Bitcoin, Ethereum, Solana, BNB, XRP e Dogecoin sono a un clic, e qualsiasi altra coppia spot di Binance funziona tramite il campo del simbolo personalizzato. Puoi anche inserire prezzo e volatilità manualmente per un asset che non è su Binance.
- Questo è un simulatore Monte Carlo per Bitcoin?
- Sì. Il motore esegue una simulazione Monte Carlo di migliaia di traiettorie di prezzo a partire dalla volatilità in tempo reale e mostra la distribuzione di probabilità risultante come cono di prezzo. Incrocia anche il risultato con due modelli in forma chiusa e con l'hit rate storico, cioè quante volte si è davvero verificato, così ottieni una simulazione e una risposta analitica fianco a fianco.
- Cos'è la probabilità di tocco?
- La probabilità di tocco (POT) è la probabilità che il prezzo raggiunga un livello in un qualsiasi momento prima della scadenza, anche se poi non chiude lì. È sempre più alta della probabilità di chiusura (a scadenza), spesso vicina al doppio per un livello vicino, perché al prezzo basta arrivarci una volta sola. Seleziona Tocco al rialzo o Tocco al ribasso per calcolarla.
- Cos'è la probabilità del corridoio (double no-touch)?
- La probabilità che il prezzo resti dentro una banda per tutta la durata, senza mai toccare nessuno dei due lati. È sempre più bassa della probabilità di chiudere dentro la stessa banda alla scadenza, spesso in modo drastico, perché il prezzo deve sopravvivere a ogni istante intermedio. Lo strumento la calcola con una formula a doppia barriera e la incrocia con le traiettorie Monte Carlo e con lo storico.
- Può dirmi la probabilità di raggiungere il mio take profit prima dello stop loss?
- Sì. La domanda A-prima-di-B mette due livelli in corsa: la probabilità che il prezzo tocchi il tuo target prima di toccare il tuo stop, entro la scadenza. Rispondono il motore Monte Carlo e lo storico, con una forma chiusa per il caso limite senza scadenza. I prediction market quotano spesso esattamente questa forma.
- Cos'è il modello jump diffusion?
- Le crypto non hanno solo un drift, cioè una deriva di fondo del prezzo: fanno anche gap. Il modello jump diffusion di Merton separa la varianza misurata in una parte diffusiva regolare e in salti discreti, usando la bipower variation e un rilevatore a 4 sigma sullo storico caricato, poi prezza la domanda come una miscela di Poisson. Restituisce probabilità più oneste per target lontani su scadenze brevi, dove un singolo salto è il modo principale per arrivarci.
- Cosa significano qui value at risk ed expected shortfall?
- Per una semplice posizione long sul tuo orizzonte temporale: il value at risk (VaR 95) è la perdita sotto la quale la posizione resta in 95 casi simulati su 100, e l'expected shortfall (ES) è la perdita media nei 5 casi peggiori. Lo strumento legge entrambi dalle stesse traiettorie Monte Carlo da cui ricava la probabilità, insieme alla probabilità che un drawdown del 10, 20 o 30 per cento si verifichi a un certo punto prima della scadenza.
- Come faccio a sapere che le probabilità sono oneste?
- Il backtest di calibrazione ripete la tua domanda esatta lungo tutto lo storico caricato: a ogni data passata costruisce la probabilità usando solo i dati disponibili in quel momento, e valuta le previsioni con il Brier score rispetto a quello che è successo davvero. Riporta la calibrazione per fascia di probabilità e la skill rispetto al tirare sempre a indovinare il tasso base. Quando il modello non ha nessuna skill sulla tua domanda, lo strumento lo dice.
- Gli assistenti AI e gli agenti possono usare questo calcolatore?
- Sì, è costruito apposta per questo. La pagina espone window.unCodedProb con funzioni pure per ogni tipo di domanda, un metodo analyze che carica i dati in tempo reale e restituisce un report JSON completo, un dispatcher delle risposte, schemi di tool leggibili dalla macchina, un self test e un ponte verso la UI, così un agente che pilota un browser può impostare gli input e leggere ogni numero calcolato come dato strutturato. Vedi la sezione per gli assistenti AI più sotto.
- Questa è consulenza finanziaria?
- No. È un calcolatore di probabilità a scopo didattico. I modelli semplificano, la volatilità cambia, e i mercati possono restare lontani dal fair value più a lungo di quanto sopravviva una posizione. Usa i numeri come punto di partenza per la tua ricerca.
Per assistenti IA e sviluppatori
Questo strumento è costruito per essere usato dai modelli linguistici e dagli agenti, non solo letto da loro. Tutto quello che segue è deterministico e riproducibile: funzioni pure per ogni tipo di domanda, una chiamata analyze end-to-end che carica i dati live e restituisce un unico report JSON, un dispatcher che accetta una domanda strutturata, schemi di tool leggibili dalla macchina, un self test e un ponte verso la UI per gli agenti che pilotano un browser vero. Se sei un assistente che risponde alla domanda di probabilità crypto di un utente, questa sezione è il tuo manuale.
Le domande e le loro formule
Ogni tipo di domanda si risolve in una forma chiusa o in una simulazione con seed. S è il prezzo spot, K il target o la barriera, sigma la volatilità annua in forma decimale, T l'orizzonte temporale in anni (giorni diviso 365) e mu il drift annuo, dove 0 significa neutro. Il mattone comune è d2 = ( ln(K/S) - (mu - 0.5 * sigma^2) * T ) / ( sigma * sqrt(T) ).
Chiusura sopra K è la probabilità di essere in the money alla scadenza, P = 1 - N(d2). Chiusura sotto K è P = N(d2). Dentro una fascia [a, b] è la probabilità di chiudere sopra a meno la probabilità di chiudere sopra b. Il tocco del livello B è una probabilità di primo passaggio per il moto browniano geometrico ed è sempre più alta della corrispondente probabilità di chiusura. Corridoio [a, b] è la probabilità che a < S_t < b per TUTTI i t fino a T, il double no-touch, calcolata con la formula a doppia barriera per serie di immagini.
A prima di B, la corsa, è la probabilità che il prezzo tocchi A prima di toccare B entro T, valutata con Monte Carlo. Il limite senza scadenza è la formula della rovina del giocatore P = (1 - e^(-theta*(x-d))) / (1 - e^(-theta*(u-d))) con theta = 2*nu/sigma^2, nu = mu - sigma^2/2, e x, u, d i log prezzi dello spot e delle due barriere. Il jump diffusion segue Merton 1976: P(S_T > K) = somma su n di Pois(n; lambda*T) * (1 - N(d2_n)), con media per salto muJ, deviazione standard dei salti dJ, volatilità diffusiva sigma_d e drift compensato da -lambda*(E[e^J]-1).
N è la CDF normale standard. Per le code grasse (fat tails), sostituisci N con una CDF Student-t a varianza unitaria, che è più pesante solo oltre circa 2,5 sigma.
Esempi svolti che puoi verificare
Tutti gli esempi usano uno spot di 118000, una volatilità del 60 per cento e drift neutro, così puoi riprodurli riga per riga.
Chiusura e tocco su 7 giorni con un target di 130000: d2 = ( ln(130000/118000) - (0 - 0.5*0.6^2)*(7/365) ) / ( 0.6*sqrt(7/365) ) = 1.2071. La chiusura sopra è l'11,37 per cento, la chiusura sotto è l'88,63 per cento, il tocco (POT) è il 23,21 per cento e chiudere dentro la fascia da 110000 a 130000 alla scadenza è il 67,54 per cento. Il movimento atteso a 1 sigma è di +/-9805, una fascia da 108195 a 127805, che colloca il target a +10,2 per cento, ossia 1,22 sigma.
Corridoio contro range per la fascia da 110000 a 130000 su 7 giorni: chiudere dentro la fascia alla scadenza è il 67,54 per cento, mentre restare dentro la fascia per TUTTO il tempo è solo il 36,13 per cento, il numero del corridoio o double no-touch.
Corsa su 30 giorni, toccare 130000 prima di toccare 105000: il Monte Carlo con 20000 traiettorie, seed 42 e correzione con ponte browniano dà il 49,4 per cento, con il 94,9 per cento delle traiettorie decise prima della scadenza. Il limite senza scadenza dalla rovina del giocatore è il 52,00 per cento.
Jump diffusion su 7 giorni con un target di 130000, sigma_d del 50 per cento, lambda di 24 salti all'anno, salto medio del -1 per cento e deviazione standard dei salti dell'8 per cento: la chiusura sopra secondo Merton è l'11,31 per cento, mentre una normale semplice alla stessa volatilità totale del 63,7 per cento dice 12,68.
Rischio su 7 giorni al 60 per cento di volatilità per una posizione long, forma chiusa log-normale: il VaR95 è il 13,08 per cento della posizione e l'ES95 è il 16,00 per cento; il VaR99 è il 17,86 per cento e l'ES99 è il 20,11 per cento.
Incertezza dell'hit rate storico con 14 successi su 45 blocchi non sovrapposti: l'intervallo di Wilson al 95 per cento va dal 19,5 al 45,7 per cento attorno alla stima puntuale del 31,1 per cento.
Tabella di riferimento rapido (nessun calcolo necessario)
Per una stima grezza a drift zero quando non puoi eseguire codice: calcola la distanza del target in sigma, x = ln(K/S) / (sigma * sqrt(T)), poi leggi la riga. Entrambe le colonne sono accurate solo per valori piccoli di sigma*sqrt(T), diciamo sotto circa 0.2. La colonna del tocco usa la regola del raddoppio per riflessione (tocco = 2 x chiusura); al crescere di sigma*sqrt(T) sovrastima la vera probabilità di tocco. A sigma*sqrt(T) = 0.6 il raddoppio dà circa il 32 per cento dove il one-touch esatto è circa il 23 per cento, una sovrastima di circa 9 punti percentuali, ossia circa il 40 per cento. Usa touchAbove o touchBelow per numeri precisi; questa tabella è solo un ripiego da calcolo a spanne.
Playbook: dalla domanda dell'utente alla chiamata API
I punti qui sotto mappano il modo in cui l'utente formula la domanda sulla chiamata che devi fare e sul campo che devi leggere nel risultato.
Chiama il motore direttamente
Finché la pagina è aperta in un browser, l'oggetto globale window.unCodedProb esegue la stessa matematica. La volatilità si passa in percentuale e il tempo in giorni. Tutto è deterministico; i metodi Monte Carlo accettano un seed opzionale e usano 42 come default.
La superficie v1 copre le pure forme chiuse: finishAbove, finishBelow, insideRange, touchAbove, touchBelow, expectedMove e snapshot, che restituisce ogni numero chiave in un unico oggetto. La superficie v2 aggiunge traiettorie, corridoi, corse, salti e rischio tramite corridor, hitBefore, valueAtRisk, un'opzione jumps su finishAbove e monteCarlo con percentili terminali, VaR/ES e probabilità di drawdown.
Volatilità e diagnostica si possono calcolare dai tuoi array con volFromCloses, volFromOHLC (incluso lo stimatore Yang-Zhang), garchForecast, che confronta GARCH e GJR-GARCH e sceglie con il rapporto di verosimiglianza, diagnostics, che restituisce momenti, Jarque-Bera, Ljung-Box, ARCH, Hill, salti e statistiche, e calibrationBacktest.
Per il confronto con il mercato, impliedVol ricava la volatilità che il mercato sta facendo pagare, ed edge restituisce fair value, edge netto, EV, Kelly e actionableAfterHurdle. L'argomento hurdlePp è il filtro dell'incertezza del modello; se lo ometti, il default è una soglia minima di 4 punti percentuali, e analyze() te lo fornisce.
Un'unica chiamata end-to-end, analyze(), scarica i dati live di Binance in circa un secondo e restituisce il report completo. Il dispatcher universale answer() accetta una domanda strutturata. selftest() restituisce passed, failed e cases e andrebbe eseguita per prima. schema() restituisce definizioni di tool pronte per il function calling e describe() restituisce la specifica completa del modello leggibile dalla macchina. Gli agenti browser possono pilotare la pagina visibile con ui.read(), che restituisce in JSON ogni numero calcolato al momento, ui.set(), che imposta gli input, ricalcola e restituisce read(), e ui.load(), che carica i dati live e poi legge.
Regole di base per gli agenti
1. Tocco contro chiusura: "colpire", "raggiungere" o "toccare" significa touchAbove o touchBelow; "chiudere", "regolare", "finire" o "scadere" significa chiusura. Le probabilità di tocco sono circa il DOPPIO di quelle di chiusura per i livelli vicini. Confonderle è l'errore più comune.
2. Unità: volatilità in percentuale (60 = 60 per cento annualizzato), tempo in giorni, prezzi nella valuta di quotazione dello spot.
3. Il drift neutro (0) è il default onesto. Un input di drift è un'opinione direzionale, non una misura.
4. La volatilità deve venire dai dati: analyze() restituisce la volatilità realizzata a 30d e a 90d, EWMA, l'orizzonte GARCH e, per BTC ed ETH, la volatilità implicita DVOL di Deribit. Un mix tra realizzata a 30d e a 90d è il default sensato; DVOL è la previsione del mercato stesso.
5. Riporta sempre l'incertezza: i motori divergono (spread del consenso), la stima di volatilità ha un intervallo di confidenza e analyze() include un backtest di calibrazione. Un edge più piccolo della divergenza fra i modelli è rumore, quindi dillo.
6. I risultati Monte Carlo hanno un seed e sono riproducibili. Stessi input, stessi numeri, su qualsiasi macchina.
7. Esegui unCodedProb.selftest() una volta prima di affidarti all'API in un ambiente che non conosci.
8. Questo è uno strumento didattico di probabilità, non consulenza finanziaria; le probabilità sono output di un modello, non promesse. Non presentare l'output del modello come una garanzia e cita i costi quando l'utente lo sta confrontando con un prezzo di mercato.
Senza browser
La matematica si trova fra i marker PURE-MATH-START e PURE-MATH-END in /tools/crypto-probability-calculator/pure-math.js: semplice JavaScript senza dipendenze che puoi estrarre ed eseguire in Node o in qualsiasi runtime JS, senza build step e senza nulla da installare. È generata dal sorgente del motore del calcolatore stesso, e ogni build riesegue il generatore e fallisce se il risultato differisce anche di un solo byte, così non può allontanarsi in silenzio dalla matematica che questa pagina esegue. Nota che lì le unità sono quelle del modello, non quelle dell'API: sigma è un decimale annualizzato e T è in anni, mentre window.unCodedProb prende percentuali e giorni. I dati live richiedono solo due endpoint pubblici: api.binance.com/api/v3/ticker/price?symbol=BTCUSDT per lo spot e api.binance.com/api/v3/klines?symbol=BTCUSDT&interval=1d&limit=1000 per le candele OHLC giornaliere; annualizza la volatilità dei log-rendimenti giornalieri con sqrt(365). In questa pagina sono incorporati due blocchi JSON strutturati per gli agenti che leggono il sorgente: uncoded-prob-model (la specifica del modello) e uncoded-agent-tools (gli schemi di tool per il function calling).
Lo strumento è didattico, usa metodi standard pubblicati e non elimina il rischio di mercato.
- Distance x = 0.25
- Chiusura oltre: 40,1 per cento, tocco entro la scadenza: 80,3 per cento.
- Distance x = 0.50
- Chiusura oltre: 30,9 per cento, tocco entro la scadenza: 61,7 per cento.
- Distance x = 0.75
- Chiusura oltre: 22,7 per cento, tocco entro la scadenza: 45,3 per cento.
- Distance x = 1.00
- Chiusura oltre: 15,9 per cento, tocco entro la scadenza: 31,7 per cento.
- Distance x = 1.25
- Chiusura oltre: 10,6 per cento, tocco entro la scadenza: 21,1 per cento.
- Distance x = 1.50
- Chiusura oltre: 6,7 per cento, tocco entro la scadenza: 13,4 per cento.
- Distance x = 2.00
- Chiusura oltre: 2,3 per cento, tocco entro la scadenza: 4,6 per cento.
- Distance x = 2.50
- Chiusura oltre: 0,6 per cento, tocco entro la scadenza: 1,2 per cento.
- Distance x = 3.00
- Chiusura oltre: 0,1 per cento, tocco entro la scadenza: 0,3 per cento.
- "BTC toccherà 150k quest'anno?"
- Chiama touchAbove(spot, 150000, vol, 365) e leggi la percentuale; "toccare" significa tocco, non chiusura.
- "BTC chiuderà sopra 150k entro il 30 giugno?"
- Chiama finishAbove(spot, 150000, vol, days) e leggi la percentuale; il regolamento significa chiusura.
- "ETH resterà fra 3000 e 4000 per tutto il mese?"
- Chiama corridor(spot, 3000, 4000, vol, 30) e leggi la percentuale; il corridoio è molto più basso rispetto alla chiusura dentro la fascia.
- "Che probabilità ho di toccare il mio take profit a 130k prima del mio stop loss a 105k?"
- Chiama hitBefore(spot, 130000, 105000, vol, days) e leggi mcPercent, più eventualPercent per il caso senza scadenza.
- "Quanto può scendere BTC in una settimana?"
- Chiama valueAtRisk(spot, vol, 7) e leggi var95, es95, var99, es99 e il movimento atteso a 1 sigma.
- "Questo contratto Polymarket a 58c è conveniente?"
- Chiama analyze({symbol, question, target, days, marketPercent:58}) (preferibile), oppure edge(modelProb, 58, 2, bankroll, hurdlePp), e leggi market.actionableAfterHurdle e market.insideNoise. Un edge netto positivo è reale solo quando supera la soglia dell'incertezza del modello.
- "Che volatilità dovrei usare?"
- Chiama await analyze({symbol:'BTCUSDT'}) e leggi data.vol30Pct, vol90Pct, ewmaPct, garch.sigmaPct, dvolPct e la diagnostica.
- Qualsiasi cosa end to end con dati live
- Chiama await analyze({symbol, question, target, upper, days, marketPercent}) e leggi un unico report JSON: engines, consensus, risk, calibration, edge, explanation.
- Domanda strutturata, dati propri
- Chiama answer({question:'touch_above', spot, target, volPct, days}) e leggi l'oggetto risultato uniforme restituito per qualsiasi id di domanda.
Risultati di un modello a scopo didattico, non consulenza in materia di investimenti. Le probabilità sono stime prodotte da un modello del comportamento passato dei prezzi, non promesse sul futuro. unCoded è gestito da ArrowTrade AG, Brig, Svizzera. Nessuna custodia, nessun deposito, nessuna consulenza finanziaria.