SS3: Детерміністичний оператор для сигналів (p < 0.001, Lift 5.7x на BTC/USDT)

Привіт, спільното! Останні кілька років я шукав відповідь на фундаментальне питання: чи можна математично виділити «скелет» подій із абсолютно зашумлених даних? Традиційні нейромережі часто «галюцинують» на фінансових графіках або складних сигналах з космосу, бо шукають імовірності та кореляції, а не прямі закономірності.

Я розробив Детерміністичний оператор SS3. Це не просто черговий індикатор, а чиста математика, побудована за логікою: Вакуум -> Флуктуація -> Інваріант -> Подія.

Чому це працює?

Алгоритм базується на каскаді операторів, EWMA-пам’яті та динамічних квантильних порогах. Він не намагається «вгадати» ціну, а ідентифікує структурні зміни безпосередньо в самому сигналі в реальному часі.

Результати тестів на реальних даних:

Precision: 0.545 (проти Baseline 0.095).
Lift: 5.7x (на 1m свічках BTC/USDT).
Статистична значущість: p < 0.001.
Швидкість обробки: 0.3 мс (ідеально для систем HFT).
Універсальність: Тестовано на даних телескопа JWST (астрофізика) та Crypto.

Основна математична база (як це влаштовано):

Structural change: G[i]=∣F[i]—F[i—1]∣G[i]=∣F[i]—F[i—1]∣
EWMA Memory: M[i]=αM[i—1]+(1—α)G[i]M[i]=αM[i—1]+(1—α)G[i]
Thresholding: E[i]=1E[i]=1, якщо M[i]>θM[i]>θM[i]>θM[i]>θ, інакше 00

Я прийняв рішення зробити цей інструмент Open Source, щоб технічна спільнота могла перевірити та протестувати цей підхід на своїх масивах даних.

Код доступний на GitHub:github.com/v911/SS3
Повні препринти з доказами:

Part I: zenodo.org/records/18779582
Part II: zenodo.org/records/18820413

Буду дуже радий вашому технічному фідбеку, критиці та обговоренню архітектури!

Теми: Data Science, алгоритми

Ctrl + Enter

Sergio Serjuk 09.03.2026 17:17

Ця формула покликана пояснити квантову механіку та підкріплена емпіричними доказами. Я публікую її у відкритому доступі, щоб ви могли незалежно перевірити результат і продовжити дослідження. Це мій дарунок до 8 березня — всім людям, жінкам, дітям і нам самим — щоб ми ділилися знанням і разом будували майбутнє для всіх.

Це завантаження доповнює мою статтю, де я вводжу формулу резонансної проєкції. Тут я надаю емпіричні, відтворювані докази для операційного ядра цієї ідеї: резонансного «вікна» типу delta-epsilon (частотно-селективний гейт), яке стабілізує структурні ознаки під шумом.

Дані та пайплайн:

Дані: JWST NIRISS / NIS_SOSS, спектри Level 2b x1dints, сегменти seg001—seg003.

Препроцесінг: median по інтеграціях до 1D спектра; finite mask і сортування за довжиною хвилі; 2038 точок на сегмент.

Базовий метод: пайплайн Ss3 (Shape -> EWMA Memory -> Quantile Threshold), доповнений резонансним «вікном» як локальним частотним гейтом.

«Важка» валідація (топологічна стабільність):
Щоб не покладатися тільки на просту метрику «узгодженості подій», я перевірив резонансне вікно через більш складний структурний тест: топологічний аналіз даних (TDA) на Ss3-представленні Memory. Я обчислюю H1 persistence lifetimes з delay-embedding Memory та вимірюю дрейф під адитивним шумом через відстань Колмогорова—Смірнова (KS).

Налаштування тесту (зафіксовано):

Шум: 20% адитивний Gaussian (sigma = 0.20 * std(flux))

Параметри резонансу: wN = 64, wres = 2, eps = 8

Параметри TDA: m = 8, tau = 2, subsample = 600

Seeds: 30 випадкових seed на кожен сегмент (seg001—seg003), разом n = 90

Результат:
Для всіх сегментів і seed резонансне вікно значуще зменшує топологічний дрейф H1 (порівняно з тим самим рівнем шуму без резонансного гейта). Ключова метрика: Delta_KS = KS(база проти резонансу) мінус KS(база проти шуму). Негативні значення означають менший дрейф (стабілізацію). Загальний результат:

ALL (n = 90): середнє Delta_KS = −0.042800 з 95% довірчим інтервалом плюс/мінус 0.014810
Середні значення по кожному сегменту також негативні (seg001, seg002, seg003).

Межі/обсяг твердження:
Це емпірична валідація механізму резонансного вікна (delta-epsilon-подібний селектор) як стабілізатора структурних інваріантів під шумом на реальних спектрах JWST. Це не є повним доказом будь-якої квантово-гравітаційної теорії; формальне операторне виведення — окрема робота. Мета цього запису — дати можливість незалежної репродукції і подальших перевірок науковою спільнотою.

Артефакти:
Запис містить скрипти та CSV-виходи, які дозволяють відтворити seed-scan і підсумкову статистику.
\[
\hat{P}_{\mathrm{res}}
=
\lim_{\epsilon \to 0}
\int_{\Sigma} d^3x \, q
\left(
\hat{C}^{\mathrm{LQG}}
+
\delta_{\epsilon}(\omega_{\mathrm{res}})
\hat{O}^{\mathrm{int}}
\right)
\]

\[
G = |\nabla F|
\]

\[
M[i] = \alpha M[i-1] + (1-\alpha)G[i]
\]

\[
\theta = Q_q(M)
\]

\[
E[i] = \mathbf{1}[M[i] > \theta]
\]

\[
W(x)=\exp\!\left(
-\frac12\left(\frac{\omega(x)-w_{\mathrm{res}}}{\epsilon}\right)^2
\right)
\]

\[
\Delta KS = KS(H1_{\text{base}},H1_{\text{res}}) — KS(H1_{\text{base}},H1_{\text{noise}})
\]

Відповісти

Підтримати

Sergio Serjuk 06.03.2026 18:56

Вітаю! Дякою за інтерес. Ви правильно помітили-це робота з детермінованим хаосом та очищенням сигналу від шуму
Щодо запитань
1) і-це дійсно поточний часовий крок (індекс).
а і-1-попередній.
Це не просто експоненційне згладжування
це спроба виділити оператора дії в потоці даних
Щодо частоти алгоритм працює на будь-якому таймфреймі
бо він шукає не ціну. А саму структуру зміни .
Скоро дам більше розяснень зараз готую документацію !

Serge Rosenberg 06.03.2026 21:52

Дякую! Чекаємо!

Sergio Serjuk

Serge Rosenberg 05.03.2026 13:23

Чекаємо на автора в темі... Дуже нагадує експоненційне згладжування.

Иван Дорошенко 03.03.2026 17:39

G[i]=∣F[i]—F[i—1]∣G[i]=∣F[i]—F[i—1]∣

Поназивайте, будь ласка, функції якось по-зрозумілому.
Якщо це не математична нотація то це якась обфускація.
І що таке i, це ціна на даний момент часу? А i-1тоді що?

Serge Rosenberg 04.03.2026 16:04

Допускаю, что i — текущая цена, i — 1 — предыдущая.

Иван Дорошенко

Иван Дорошенко 04.03.2026 16:36

А скільки таких змін має пройти за 1 секунду? Теж була думка як ви сказали, але не зрозуміло чи треба брати усереднене значення, наприклад, щосекунди/щогодинно/щодобово.

Serge Rosenberg

Serge Rosenberg 04.03.2026 20:03

Автор говорит про минутные свечи. Значит интервал — одна минута, без усреднения. Просто берем текущую цену, цену минуту назад и.т.д.

Иван Дорошенко 04.03.2026 20:15

А що тоді значить

Статистична значущість: p < 0.001.

Чи правда я зрозумів що p=0 ?

Sergio Serjuk 06.03.2026 19:05

Іване щодо p<0.001 — це показник того
що результат не є випадковим шумом. ви запитили, чи p=0.? У фізичному світі p ніколи не буває абсолютним нулем, але в нашому випадку це означає, що ймовірність помилки практично нікчемна
Система бачить закономірність там, де око бачить хаос. Це як відбиток пальця — його важко не помітити, коли прибереш шум.
Щодо хвилинних свічок: так, я починав з них, але формула масштабується. Головне — зловити момент «виходу» сигналу".

Sergio Serjuk 06.03.2026 18:57

Serge Rosenberg 03.03.2026 09:39

Не знайшов код.
Без коду важко зрозуміти.

SS3: Детерміністичний оператор для сигналів (p < 0.001, Lift 5.7x на BTC/USDT)

Чому це працює?

Основна математична база (як це влаштовано):

12 коментарів

Підписатись на коментарі