UpgradeMap PREDICT/ 反推方法论 23 区
2026-09-10 21:52 JST
[1] 主页[2] 对比[3] PREDICT
23 区 · 0 高置信 (●●●)0 H3 警告
CodeWardMomPredΔSigCostlySilent / Override
METHODOLOGY (反推方法论 / inverse inference):
H1 三角校验: ●●● ≥3 独立信号源 = 高置信判断 [Heuer 1999]
H2 沉默信号: 长期不出 = 战略 No，是护城河前提 [Porter 1996]
H3 Incentive override: cheap talk vs costly signal 冲突相信后者 [Spence 1973]
SCORING (推论依据 / how Pred is computed):
strengthi = clamp(rawi × scalei + 50, 0, 100)
房价动量 raw=price_yoy scale=5 weight=0.35 ← Spence costly (成交价不可伪造)
人口净流入 raw=pop_yoy scale=15 weight=0.30 ← Spence "voting with feet"
商业活力 raw=permits_yoy scale=8 weight=0.20 ← 開店成本不可伪造
价格加速度 raw=acceleration scale=5 weight=0.15 ← 趋势二阶导
Pred = Σ (strengthi × weighti)，缺信号 → neutral 50 × weight (惩罚不完整)
Δ = Pred − Mom (divergence) — 偏离历史动量越大 = 反推方法论 alpha 越强
DATA SOURCES (信号源):
price_yoy ← 国土交通省 reinfolib (実成約価)
pop_yoy ← 総務省 e-Stat (国勢調査)
permits_yoy ← 東京都食品営業許可 ⚠️ 集約 pending (Bug #1)
price_acceleration ← reinfolib momentum 二階差分
H3 OVERRIDE 触发条件:
price_yoy > 5% AND permits_yoy < −5% → 投机 vs 实需冲突
pop_yoy < −1% AND price_yoy > 3% → 人口流出 vs 房价上涨 = 投机性涨价
基于 Akerlof 1970 不对称信息经济学。Mom = 历史动量 (lib/score.ts: momentum 0.4 + accel 0.3 + tier 0.3) · Pred = 反推综合 (lib/predict-score.ts: 上述公式)
数据仅供参考，不构成投资建议 · weights 为 initial guess，待 backtest 校准 · 算法源码 lib/predict-score.ts