通用全域概率态势感知框架
A Universal Domain-Aware Probabilistic Situation Awareness Framework
版本: 2.0 | 许可: MIT | Python 3.10+
本框架仅供学术研究与教育用途。它【不构成】任何投资建议、决策建议、
交易指导或财务规划建议。
1. 概率预测的不确定性：所有概率均为估计值，存在显著不确定性。
2. 历史不代表未来：历史概率模式【不保证】未来结果。"黑天鹅"事件
不在模型覆盖范围内。
3. 资金损失风险：AllocationEngine 输出的分配方案可能导致全部本金
损失。任何实际决策都存在重大风险。
4. 模型局限性：框架依赖输入数据质量、域适配器的正确实现、以及
各引擎的数学假设。任何环节的错误都会传播到最终结果。
5. 非专业建议：本框架的输出【不是】持牌专业人士的建议。在
做任何实际决策前，请咨询合格的专业人士。
使用者须自行承担一切决策风险。
期望域感知方法（Expectation Domain Perception Method, EDP） V2.0 是一个通用的概率预测与决策框架。
任何可以被分解为"若干可能结果 + 若干信息来源"的问题，都可以用 EDP 处理。
- 全域（Complete Domain）： 所有可能结果互斥且穷举，知道其中一个概率即确定其余。
- 近似全域（Approximate Domain）： 结果空间未完全穷举，但已覆盖绝大部分概率质量，剩余未覆盖部分可通过补集近似。
EDP 对两类问题使用同一套引擎，区别仅在于 EventGraph 的拓扑结构和归一化策略。
不要问"这是什么领域的问题"。
要问"有多少个信息来源，多少个可能结果，它们之间是什么关系"。
EDP V2.0 在六层架构之上新增 L7 保形预测层，引入 2025 年概率预测 领域最重要的进展——有限样本、分布无关的覆盖率保证，并融合在线贝叶斯 堆叠、Hyvärinen score、模型多样性等前沿方法。
┌──────────────────────────────────────────────────────────────────────┐
│ EDP V2.0 — 七层堆叠式架构 │
│ │
│ ┌────────────────────────────────────────────────────────────────┐ │
│ │ Layer 7: 保形预测层 ★ 2025 前沿 │ │
│ │ Split Conformal · ACI（分布漂移鲁棒）· AgACI · 有限样本覆盖率 │ │
│ ├────────────────────────────────────────────────────────────────┤ │
│ │ Layer 6: 回测与校准层 │ │
│ │ Brier Score · Log Score · Hyvärinen Score · CRPS · 校准曲线 │ │
│ ├────────────────────────────────────────────────────────────────┤ │
│ │ Layer 5: 资源分配层 │ │
│ │ Kelly Criterion · Markowitz · 三原则 · 风险分层 · 分数Kelly │ │
│ ├────────────────────────────────────────────────────────────────┤ │
│ │ Layer 4: 全域感知层 │ │
│ │ 线性池 · 对数优比池 · 贝叶斯累积 · 共识 · 异常 · 模型多样性 │ │
│ ├────────────────────────────────────────────────────────────────┤ │
│ │ Layer 3: 流向分析层 │ │
│ │ 概率流向 · 动量 · 速度/加速度 · 倍增评分 · 级联检测 │ │
│ ├────────────────────────────────────────────────────────────────┤ │
│ │ Layer 2: 推断引擎层 │ │
│ │ Beta-Binomial · Glicko-2 · 在线贝叶斯堆叠(Soft-Bayes) · ML-Poly│ │
│ ├────────────────────────────────────────────────────────────────┤ │
│ │ Layer 1: 概率提取层 │ │
│ │ Shin归一化 · 比例归一化 · 信心度映射 · 连续→离散 │ │
│ ├────────────────────────────────────────────────────────────────┤ │
│ │ Layer 0: 数据抽象层 │ │
│ │ Outcome · Quote · Evidence(定向) · Snapshot · EventGraph │ │
│ └────────────────────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────────────────────┘
| 方法 | 所在层 | 来源 | 价值 |
|---|---|---|---|
| Conformal Prediction (ACI/AgACI) | L7 | Zaffran et al. 2022; Gibbs & Candès 2021 | 有限样本覆盖率保证，分布漂移鲁棒 |
| Online Bayesian Stacking | L2 | arXiv 2505.15638 (2025) | log-score 最优组合，regret bound |
| Hyvärinen Score | L6 | Hyvärinen 2005; Ehm & Gneiting 2012 | 不依赖归一化常数的 proper scoring |
| Model Diversity (DTVW) | L4 | arXiv 2508.07136 (2025) | 冗余惩罚，有效来源数估计 |
| 定向证据 log-odds 更新 | L0/L4 | 本框架 | 证据指向具体结果，避免概率被拉平 |
from edp import EDP, GenericDomain, Outcome, Evidence
# 1. 定义问题域（任意"结果+信号"问题）
domain = GenericDomain([
Outcome("rain", "下雨"),
Outcome("no_rain", "不下雨"),
])
# 2. 初始化 EDP
edp = EDP(domain)
# 3. 传入信息来源，一键分析
result = edp.analyze(
evidence=[
Evidence("weather_model", "model", {"probability": 0.72}, confidence=0.8),
Evidence("satellite", "sensor", {"probability": 0.68}, confidence=0.9),
Evidence("historical", "model", {"probability": 0.60}, confidence=0.5),
],
budget=1000,
)
print(result["summary"])
# 最可能: rain (~68%) | 来源: 3 | 共识: 0.91 | 分配: ...
print(result["probabilities"])
# {"rain": 0.68, "no_rain": 0.32}详见 examples/python/basic_usage.py。
edp/
├── src/python/
│ ├── __init__.py # 包导出
│ ├── core.py # L0: Outcome/Quote/Evidence(定向)/Snapshot/EventGraph/DomainAdapter
│ ├── probability_engine.py # L1-3: Shin/Bayesian/Flow/Glicko-2
│ ├── online_aggregator.py # L2: ML-Poly/EWA/Ridge/在线贝叶斯堆叠
│ ├── flow_amplification.py # L3: 倍增/BFS/级联
│ ├── domain_awareness.py # L4: 融合/共识/异常/模型多样性
│ ├── allocation_engine.py # L5: Kelly/Markowitz/三原则
│ ├── calibration.py # L6: Brier/Log/Hyvärinen/CRPS/校准曲线
│ ├── conformal.py # L7: Split Conformal/ACI/AgACI（2025 前沿）
│ └── edp.py # 顶层 EDP 接口
├── tests/python/
├── examples/python/ # basic_usage.py
├── examples/notebooks/ # startup_funding.ipynb / football_score.ipynb
├── mcp/server.py # MCP Server（暴露 EDP 给 AI 助手）
└── docs/theory/references.md
V2.0 相对 V1（4.1）的重大变更：
| 变更项 | V1 (4.1) | V2.0 |
|---|---|---|
| 架构层数 | 5 层 | 7 层（新增校准层 L6 + 保形预测层 L7） |
| 顶层接口 | 无统一入口 | EDP 类一键分析 |
| 域适配 | 硬编码 | DomainAdapter + GenericDomain |
| 事件关系 | 固定 | EventGraph（链/完全连接/自定义） |
| 在线聚合 | 无 | OnlineAggregator（ML-Poly/EWA/Ridge/在线贝叶斯堆叠） |
| 校准 | 无 | CalibrationEngine（Brier分解/Log/Hyvärinen/校准曲线） |
| 保形预测 | 无 | ConformalEngine（Split/ACI/AgACI，有限样本覆盖率保证） |
| 定向证据 | 无 | Evidence.outcome_id（指向具体结果，避免概率拉平） |
| 风险警示 | 简单声明 | 每个模块顶部强化警示 + AllocationEngine 详细警示 |
V1 的 flow_analyzer.py、scheme_designer.py 已移除，功能分别合并到 flow_amplification.py、allocation_engine.py。
EDP V2.0 — 通用全域概率态势感知框架 任何可被分解为"结果 + 信号"的问题，都可以用它处理 仅供学术研究与教育用途
市场报价包含边际利润（"overround"），无法直接解释为概率。Shin（1992）提出的模型假设边际与"内幕交易者"的存在成比例，从而从报价中反解出"真实概率"。
问题形式化：给定 N 个结果的报价 q₁, q₂, ..., qN，其中 qᵢ > 1 为小数报价。
隐含概率：πᵢ = 1/qᵢ。市场边际 overround 为：
Σᵢ₌₁ᴺ πᵢ - 1 > 0
Shin 迭代法求解真实概率 p：
pᵢ^{(k+1)} = (πᵢ − zᵏ √pᵢᵏ) / (1 − zᵏ Σⱼ √pⱼᵏ)
其中 z 为内幕交易比例估计，迭代直至 |pᵢᵏ⁺¹ − pᵢᵏ| < ε。
参考：Shin, H.S. (1992). Prices of State-Contingent Claims with Insider Traders. Economic Journal, 102(411), 426-435.
对于 Bernoulli 试验，采用 Beta 分布作为共轭先验：
- 先验：Beta(α₀, β₀)
- 观察：在 n 次试验中获得 k 次成功
- 后验：Beta(α₀ + k, β₀ + n − k)
后验均值：
E[p | evidence] = (α₀ + k) / (α₀ + β₀ + n)
95% 可信区间采用正态近似：
CI₉₅ = p̂ ± 1.96 × √(p̂(1 − p̂)/(n_eff + 1))
参考：Gelman, A., Carlin, J.B., Stern, H.S., & Rubin, D.B. (2013). Bayesian Data Analysis, 3rd ed. Chapman & Hall/CRC.
对 Elo 系统的改进，引入评级偏差（RD）与波动率（σ），提供更稳健的动态实力建模。
核心更新方程（在 Glicko-2 尺度：μ, φ, σ）：
E(μ, μⱼ, φⱼ) = 1 / (1 + exp(−g(φⱼ)(μ − μⱼ)))
g(φ) = 1 / √(1 + 3φ²/π²)
ν = [Σⱼ g(φⱼ)² E(1 − E)]⁻¹
Δ = ν · Σⱼ g(φⱼ) (sⱼ − E)
其中 ν 为估计方差，Δ 为改进偏差。
参考：Glickman, M.E. (2013). Example of the Glicko-2 System. Boston University.
定义（在时间 Δt 内）：
Flowᵢ = pᵢ(t + Δt) − pᵢ(t)
时间序列动量评分（Moskowitz et al., 2012）：
momentum_score = Σ_t w_t · flow_t, 其中 Σ_t w_t = 1
速度与加速度：
vᵢ = d(Flowᵢ) / dt, aᵢ = d²(Flowᵢ) / dt²
显著性阈值：|flow| < 0.5% 稳定；0.5%–2% 低显著；2%–5% 中显著；≥5% 高显著。
对结果 i 的倍增评分综合四要素：
AmpScoreᵢ = BaseFlowᵢ × DirConsistᵢ × (1 + GradientPosᵢ) × MarketMomentum
- 方向一致性 DirConsistᵢ：相邻结果流向与目标结果同向的比例
- 梯度位置 GradientPosᵢ：归一化概率水平——低概率结果具有更高倍增潜力
- 市场动量 MarketMomentum：全体结果的平均动量
采用混合融合策略——线性池与对数优比池的加权组合：
线性意见池（Cooke, 1991）：
p_linear = Σᵢ wᵢ · pᵢ, 其中 Σᵢ wᵢ = 1
对数优比意见池（Genest & Zidek, 1986）：
logit(p_logodds) = Σᵢ wᵢ · logit(pᵢ)
混合估计：
p_fused = α · p_linear + (1 − α) · p_logodds, α ∈ [0, 1]
源权重由三维构成：
wᵢ = reliabilityᵢ × confidenceᵢ × temporal_decayᵢ
temporal_decayᵢ = 2^(−Δtᵢ / t½)
共识评分（基于源估计的离散度）：
Consensus = 1 − min(σ_observed / σ_max, 1.0)
其中 σ_max = 0.5 为 Bernoulli(p=0.5) 的理论最大标准差。
Kelly 准则最大化对数财富的期望增长率：
f* = (p · b − q) / b = (p(b + 1) − 1) / b
其中：p 为成功概率，b 为净赔率（小数报价 − 1），q = 1 − p。
分数 Kelly（本框架默认 quarter-Kelly, 即 1/4）：
f = κ · f*, κ ∈ (0, 1]
用于控制波动率，代价是降低期望增长速率。
资本分配的三大原则：
- 信号对齐原则：仅分配给具有正概率流向信号的结果
- 非对称潜力原则：要求赔率与概率乘积满足正期望条件
- 风险分散原则：分配集中度 cap ≤ 20%，并维持多样化比
| 功能模块 | 理论基础 | 输出 |
|---|---|---|
| 真实概率计算 | Shin 归一化 / 迭代法 | p_true, margin, CI |
| 条件概率推断 | 贝叶斯条件定义 | p(A | B) |
| 贝叶斯更新 | Beta-Binomial 共轭模型 | posterior α, β, CI |
| 先验融合 | 对数池 / 线性池 | 组合后验 |
| Glicko-2 评级 | Glickman (2013) | μ, RD, σ |
| 流向分析 | 时间序列动量 | flow_velocity, acceleration |
| 功能模块 | 理论基础 | 输出 |
|---|---|---|
| 基础流向 | 差分时间序列 | Δp, v, a |
| 方向一致性 | 邻接结构评分 | 0 – 1 一致性系数 |
| 梯度位置 | 概率空间逆映射 | 0 – 1 倍增潜力 |
| 市场动量 | 加权聚合动量 | aggregate_momentum |
| 级联风险 | 信息级联理论 | 风险等级标记 |
| 功能模块 | 理论基础 | 输出 |
|---|---|---|
| 情报预处理 | 源可靠性评级（STANAG 2511 改编） | w_i, 归一化权重 |
| 线性池融合 | Cooke (1991) 意见池 | p_linear |
| 对数优比融合 | Genest & Zidek (1986) | p_logodds |
| 贝叶斯累积 | Pearl (1988) 序贯更新 | 后验对数优比 |
| 共识分析 | 方差-离散度变换 | consensus_score |
| 异常检测 | Z-score 阈值法 | anomaly list |
| 级联检测 | 信息级联理论 Bikhchandani (1992) | potential_cascade 标记 |
| 态势评估 | 稳定性分类器 | aggregate_probability, confidence, status |
| 功能模块 | 理论基础 | 输出 |
|---|---|---|
| 合法性检验 | 三大分配原则 | valid / warning / invalid |
| Kelly 分配 | Kelly (1956) 信息率准则 | fraction, amount |
| 风险分层 | 概率-赔率映射 | conservative / balanced / aggressive / extreme |
| Markowitz 再平衡 | 集中度约束 + 多样化比 | 优化后分配 |
| 组合统计 | 期望价值 / 风险贡献 | portfolio_EV, diversification_ratio |
| 层面 | 技术 |
|---|---|
| 编程语言 | Python 3.10+, TypeScript 5.0+ |
| 类型安全 | 完整类型标注 (dataclass, Enum) |
| 数值精度 | IEEE 754 double-precision |
| 收敛准则 | ε = 1e-10 (Shin 迭代) |
| 收敛上限 | 100 次迭代 |
- Linting: 静态语法与风格检查
- 格式化: 标准风格统一格式化
- 类型检查: MyPy 静态类型验证
- 测试框架: pytest (Python) / Jest (TypeScript)
| 理论 / 方法 | 文献 |
|---|---|
| Shin 归一化 | Shin, H.S. (1992). Prices of State-Contingent Claims with Insider Traders. Economic Journal, 102(411), 426-435. |
| 贝叶斯推断 | Gelman, A., Carlin, J.B., Stern, H.S., & Rubin, D.B. (2013). Bayesian Data Analysis, 3rd ed. Chapman & Hall/CRC. |
| 时间序列动量 | Moskowitz, T.J., Ooi, Y.H., & Pedersen, L.H. (2012). Time Series Momentum. Journal of Financial Economics, 104(2), 228-250. |
| Glicko-2 评级 | Glickman, M.E. (2013). Example of the Glicko-2 System. Boston University. |
| Elo 评级系统 | Elo, A.E. (1978). The Rating of Chessplayers, Past and Present. Arco. |
| 信息级联 | Banerjee, A.V. (1992). A Simple Model of Herd Behavior. Quarterly Journal of Economics, 107(3), 797-817. |
| Bikhchandani, S., Hirshleifer, D., & Welch, I. (1992). A Theory of Fads, Fashion, Custom, and Cultural Change as Information Cascades. JPE, 100(5), 992-1026. | |
| 概率分布融合 | Genest, C., & Zidek, J.V. (1986). Combining Probability Distributions: A Critique and an Annotated Bibliography. Statistical Science, 1(1), 114-135. |
| 共识动力学 | DeGroot, M.H. (1974). Reaching a Consensus. JASA, 69(345), 118-121. |
| 专家不确定性 | Cooke, R.M. (1991). Experts in Uncertainty. Oxford University Press. |
| Kelly 准则 | Kelly, J.L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal, 35(4), 917-926. |
| MacLean, L.C., Thorp, E.O., & Ziemba, W.T. (2010). The Kelly Capital Growth Investment Criterion. World Scientific. | |
| 组合理论 | Markowitz, H.M. (1952). Portfolio Selection. Journal of Finance, 7(1), 77-91. |
| 通用组合 | Cover, T.M. (1991). Universal Portfolios. Mathematical Finance, 1(1), 1-29. |
| 前景理论 | Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision Under Risk. Econometrica, 47(2), 263-291. |
| 贝叶斯网络 | Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann. |
| 信息论 | Cover, T.M., & Thomas, J.A. (2006). Elements of Information Theory, 2nd ed. Wiley. |
from edp import (
ProbabilityEngine,
FlowAnalyzer,
DomainAwarenessEngine,
AllocationEngine,
)
# ── 初始化引擎 ──────────────────────────────────────
prob_engine = ProbabilityEngine()
flow_engine = FlowAnalyzer()
domain_engine = DomainAwarenessEngine()
alloc_engine = AllocationEngine()
# ── 1. 从市场报价计算真实概率 ──────────────────────
result = prob_engine.calculate_true_probability({
"home": 1.50, "draw": 4.20, "away": 6.00
})
# 结果包含: true_probabilities, margin, confidence_interval, method
# ── 2. 概率流向分析（时间序列） ─────────────────────
flow_report = prob_engine.analyze_flow(
initial_snapshot=snapshot_t0,
latest_snapshot=snapshot_t1,
historical_snapshots=history,
)
# 结果包含: flows (逐结果 flow / velocity / acceleration / significance),
# aggregate_momentum, time_delta
# ── 3. 流向倍增评分 ─────────────────────────────────
amp_report = flow_engine.calculate_amplification(
flow_report,
gradient_map={"home": ["draw"], "away": ["draw"]},
outcome_probs=result.true_probabilities,
)
# ── 4. 全域感知 · 多源情报融合 ──────────────────────
from edp import EvidenceSource, SourceReliability, EvidenceType
sources = [
EvidenceSource(
source_id="model_01",
source_type=EvidenceType.ANALYTICAL,
reliability=SourceReliability.B, # usually reliable
timestamp=datetime.now(),
content={"probability": 0.62},
confidence=0.80,
),
EvidenceSource(
source_id="market_quote",
source_type=EvidenceType.OBSERVATIONAL,
reliability=SourceReliability.A, # completely reliable
timestamp=datetime.now(),
content={"probability": result.true_probabilities["home"]},
confidence=0.95,
),
# ... additional intelligence sources
]
assessment = domain_engine.assess_situation(
sources,
prior_probability=0.5,
fusion_method="hybrid",
)
# 结果包含: aggregate_probability, confidence, consensus_score,
# stability_status, anomalies, variance
# ── 5. 资源分配（Kelly + Markowitz） ─────────────────
from edp import AllocationLeg
candidates = [
AllocationLeg(
identifier="outcome_home",
probability=assessment.aggregate_probability,
odds=1.50,
signal_score=flow_report.flows[0].momentum_score,
confidence=assessment.confidence,
flow_direction="upward",
),
# ...
]
bundle = alloc_engine.generate_allocation(
budget=1000.0,
candidates=candidates,
)
bundle = alloc_engine.optimize_portfolio(
bundle, target_diversification=0.6
)import {
ProbabilityEngine,
FlowAnalyzer,
} from 'edp-framework';
const engine = new ProbabilityEngine();
const result = engine.calculateTrueProbability({
home: 1.50, draw: 4.20, away: 6.00
});本框架仅供学术研究与教育用途。
- 本框架不构成任何投资建议或决策建议；
- 使用本框架进行的任何决策由用户自行承担责任；
- 作者不对使用本框架造成的任何损失负责；
- 请遵守所在地区的法律法规。
MIT License — 详见仓库根目录 LICENSE 文件。
以结构化分析、严格概率论与全域认知提供学术研究支持——仅供学术研究用途。
© 2026 — For Academic Research and Educational Purposes Only.