五周期共振战略：一个融合交互网络与动态决策的量化框架

[在那西江]

摘要
随着全球化进程持续发展，主导市场的因素越来越多元，而且不断变化。传统的静态判断，或者单一维度的分析不能判断出市场走向。因此提出“五周期共振战略”理论，搭建了一个的动态量化决策系统。
系统提出：
1.将经济（E）、科技（T）、认知（C）、政策（P）、地缘（G）五大周期，并且放入到了一个动态交互网络模型中进行分析，定义了周期交互权重矩阵和主导共振模式；
2.研发出一个三层数据架构的量化指标体系，解决了关键参数难计算的的问题。
3.提出决策指标RSI（基于多层过滤和动态加权算法），提升了模型的准确性。
4.绘画出动态决策图，提升了模型的普适应。
4.提供了完整的可重复检验流程，使其该框架保持学术上的严谨性。以及渐进式产品路线图，使其该框架保持具备实践中的可操作性。
总体而言，框架能为各类组织在当今环境，可以识别结构性机会，以及有效管理系统性颠覆风险，提供一个可验证的理论。

关键词：五周期共振；交互网络；动态决策树；量化战略

引言：从多维叠加到动态网络

首先我们要阐述一个基于哲学的的概念，世界是长期的无序，短期的有序。世界是不断发展的，其是不断进步，无法得出一个长期的规律。而事物的发展是螺旋式上升，渐进式发展。其是由一个不断量变而积累到零界点产生质变的过程。本文旨在寻找出在两个质变期间的共在规律。
战略的核心是驾驭复杂性，在复杂的市场中寻找其低层代码。既往研究仅在对单周期或两周期关联有所探讨，但在“技术-政策-地缘”三重革命叠加的当下，普通线性叠加模型已无法解释诸如“技术成熟却因制裁而窒息”、“需求旺盛却因认知固化而陷入内卷”等复杂现象。因此我们可以得出一个基础的观点。周期之间并非独立平行，而是存在强烈的、非线性的相互作用。

我们所提出的五周期共振战略框架，其原理是是：
重大的市场机遇以及系统性风险，主要在于经济、科技、认知、政策及地缘五大周期之间，其五个周期在网络结构中相互作用而产生的瞬间的共振和冲突。因此我们要转变思路。由单周期到五周期，由静态到动态。努力寻找某一主导模式参生的机遇窗口，并作出相应的行动。
因此，我们试图通过构建一套模型，其可被系统化、可量化，并能接受独立检验。探索一个新问题？战略决策能否从一门高度依赖直觉与经验的艺术，逐步推向一个更具可重复性与可验证性的模型。
2. 理论构建：从五维空间到交互网络
2.1 核心概念：周期交互与主导模式
我们构建出周期交互权重矩阵。该矩阵是一个5×5的方阵，其元素动态性量化了在某一时段内，周期 i 对周期 j 影响的强度与方向性。（ ω_ij ∈ [-1, +1] ）
例如，在科技民族主义的时期内，则会：
ω_PT（表征政策对科技的影响）≈ +0.7
ω_GT（表征地缘对科技的影响）≈ -0.6。
（Ω 矩阵的取值并非固定的，需要根据具体行业与历史阶段进行判断。）
【周期交互权重矩阵见附录A】
基于 Ω 矩阵的历史模式识别，可归纳出若干 “主导共振模式” ，它揭示了机会或风险背后的核心驱动逻辑：
市场技术创新型：T → E → C 。
认知泡沫反噬型：C→过度投资→供大于需
政策强力牵引型：P → (E & T) → C。
地缘危机驱动型：G → P → 供应链重组(T) 。
综合震荡型：无明显其主导因素，多因素共同作用
（其类型不是一成不变，需不断根据市场状况演化）
诊断时，不仅需确定相位坐标，更需判断当前处于何种主导模式，这直接决定战略逻辑的本质。
【权位变化表详细见附录B】

2.2 三层量化指标体系
为了解决数据由实验室的理想数据与现实社会的可得数据之前的问题，研发出一个三层数据架构的量化指标体系：
L1：理想指标（理论标杆）
该层级定义了理论上应被测量的概念，如需求密度梯度、技术成熟度扩散率等。
L2：代理指数（实操核心）
我们主张，在实证操作中，优先采纳经过学术文献，以及长期实践反复验证的公开权威指数，并将其作为代理变量。
例如：
政策周期（P）：推荐采用中国经济政策不确定性指数，作为政策强度的客观、连续且可回溯的代理变量。
地缘周期（G）：推荐采用“地缘政治风险指数，作为地缘紧张的代理。
其他周期（E, T, C）：
如行业营收增速（经济周期）、研发强度（科技周期）、分析师预测离散度（认知周期）等。
L3：定性信号清单（风险修边）
针对那些难以量化但具有重大突变意义的关键信号。
这些关键信号不直接进入模型运算，但可对模型输出结果进行情境化修正，以及必要的风险提示。
2.3多层过滤与动态加权算法
我们采用多层过滤与动态加权算法， 计算出共振强度指数（RSI⊕）。
【共振强度指数详细见附录C】
针对每一周期（E, T, C, P, G），本研究设计了一套结构化的多指标评分卡。
该评分卡以各周期对应的L2代理指数为核心输入，同时综合参考L1理论指标的定义方向以及L3定性信号清单的修正信息，最终为每个周期生成一个0‑100范围内的标准化得分，称为“周期健康分”，分别记为 S_E、S_T、S_C、S_P、S_G。
【周期健康分详细见附录D】
动态加权层：根据诊断出的 “主导共振模式”，查找权重方案库中对应的权重向量 (W_E, W_T, W_C, W_P, W_G)。权重之和为1。
在不同主导模式下，各周期的权重比例是不同的。
在政策强力牵引型模式下，政策周期权重比例最高，科技周期权重（W_与经济周期权重次之。而在地缘危机驱动型模式中，地缘周期权重则成为主导，政策周期权重次之，其余周期的权重相应降低。
综合得出：RSI⊕ = Σ(W_i × S_i)。
该算法优点：抗单指标噪声干扰能力强，权重动态变化更符合现实，结果直观易懂。（可视为“在当前主要矛盾下，五周期综合状态百分制得分”）。
通过历史回测，可建立RSI⊕的行动阈值（如：观望区<50，测试区50-70，投入区>70）。
（行动阈值根据不同行业可以微调）
3. 决策系统：动态决策树引擎
由于完全展开1024种可能性，难以计算。我们绘画了一套动态决策图。
计算五个周期的评分，以及基于这些评分判断出的主导模式。
判断A：判断最需要优先应对的主导因素（地缘风险、技术瓶颈或者政策转向）。
判断B：根据识别出的主导矛盾，进入对应的决策子图。
例如：
高地缘风险子图：
我们要回答一系列问题？
关键原材料是否位于制裁清单内？
切换供应链的成本与时机？
供应商对成本上升的容忍度？
多问题的回答，最终得出一个包含战略动作计划的建议。
计划是结构化的。要包含核心战略举措、资源配置的合理区间、关键实施里程碑、以及必须持续监控的关键风险指标。
一份可执行的战略行动计划概要。
该计划与历史数据库中情境相似的案例进行相比，提供基于历史经验的参考。
【动态决策图详细见附录E】
4. 实证验证：可重复的检验协议
为提升学术严谨性，本框架附带一个标准化的 “可重复检验协议”：
指定公开数据源：所有检验基于以下完全公开的数据集：
E：世界银行、OECD宏观经济数据库。
T：OECD专利数据库、彭博行业研发支出。
C：美国国家经济研究局（NBER）“分析师预测分歧度”数据集、GDELT媒体情绪指数。
P：中国经济政策不确定性指数（EPU）官方网站数据[4]。
G：地缘政治风险指数（GPR）官方网站数据[1]。
标准化检验流程：
第一步（数据准备）：先选择代表性行业（ 1995-2010年数据），确定最佳决策图与权重方案。
第二步（样本外测试）：通过导入2011-2023年数据，得出决策，判断其准确性。
第三步（绩效评估）：对比五周期策略与买入持有和动量策略在关键指标上（年化收益率、夏普比率、最大回撤）的差异。
5. 二阶五维战略：市场学习效应下的博弈
当市场中具备五周期感知能力者比例超过临界值，市场进入二阶动力学。
传统共振窗口因集体预判而收窄，甚至出现反身性。
地缘反身性：对地缘风险的普遍预期会引发囤货、撤资等行为，反而加速脱钩。
政策套利：对政策方向的预判导致资金提前涌入，可能催生政策市泡沫，并使PII的刺激效果提前透支。
应对此，需采用二阶五维策略：
相位预判与反身性利用：
在多数人等待信号明确时，基于分析在低谷末期布局。
多区域相位组合对冲：
构建跨地缘区域的资产组合：组合 = 国内相位资产+ 区域资产+ 避险资产，根据全球和动态调整权重。本质上是不把鸡蛋放在一个篮子里。
主动认知周期管理：
在共识逐渐固化时，发布反共识的文章，延缓进程，实现认知套利。
6. 应用迁移：渐进式产品路线图
认识到框架的实施复杂性，我们提出分四阶段推进的 “渐进式产品路线图”，供组织参考：

1：思维导入（0-6个月）
产出：“五维战略简报”模板。
行动：在季度战略会上，强制要求按E、T、C、P、G五个维度，用一页纸报告最新动态与关键信号。
目标：在全组织培养周期交互的思维习惯。
2：数字仪表盘（6-18个月）
产出：“战略健康度仪表盘1.0”。
行动：接入L2代理指数，可视化展示五个周期评分的实时走势与历史对比。
目标：建立组织级、量化的周期感知能力。
3：智能决策支持（18-36个月）
产出：动态决策图内部测试版。
行动：积累自有数据，完善决策图规则，对部分分析引入AI辅助。
目标：实现关键战略决策的半自动化、结构化支持。
Phase 4：生态共建（36个月以上）
产出：行业相位知识图谱雏形。
行动：与合作伙伴、研究机构在脱敏基础上交换数据与洞察，共建细分行业的周期互动知识库。
目标：从内部工具升级为行业基础设施，获取网络效应。
7. 局限与未来展望
7.1 理论局限与应用边界
框架高度依赖高质量和标准化的数据，此类数据获取难且主观性强。
极端事件：终极黑天鹅事件打破所有的周期逻辑。
模型反身性：当模型被广泛采用，其本身可能成为新的变量。
创造性破坏：对于颠覆式创新，模型存在识别盲区。
7.2 未来演进方向
模型智能化：运用人工智能，帮助其获取信息，判断信息。
生态构建：推动建立行业的相位知识图谱。
理论深化：分许生态气候周期作为第六维度的可行性。
8. 结论
五周期共振战略框架的作用在于：由普通静态到变换动态，由单一视角到多因素。将五大周期共振工具化，为决策者提供了在远洋航行的地图与导航仪。
我们不仅提出了一个更具现实解释力的理论框架，更提供了从量化指标、诊断系统、决策矩阵到组织实施的完整解决方案。让其不是在空中楼阁。
我们要指出的是，在未来的市场中，胜利的因素不仅是实力雄厚，更是利用动态和多周期的战略视角做出决策。
作者前言

本人一名在校的专科生，父母长期从事机械行业。在进入专科学习后时长感觉到一股无型的压力，未来应该怎么办。
在当今社会，我深知我的学历注定会是我与其他就业者相比的缺点。基础这一事实，我刨析自己分析我的资源和我的优缺点。可能唯一的优点就是有一些小聪明，父母对机械行业的销售以及技术有较强的储备。于是我思考如何避开自己的缺点，发扬出自身的优点。
那就是创业，这足以让我把缺点降到最低，而我的优点充分的发挥出来。奈何家境贫寒，无法承受起失败的代价。于是我就思考如何让我的胜率最高。
见路不走。在当今信息互通如此强的时代，去追求风口，已经完全不可行。因为我国经济已由高速发展阶段转向高质量发展阶段，实际上已经进入存量经济的时代。但是供给侧结构性改革让我认识到了其中的商机，在需求小于供给时，会淘汰企业。而在需求大于供给时，会新增企业。如何判断市场时间，在何时入局就成为了我当下急需结局的问题。
毛主席接见美国物理学家格拉肖和萨拉姆，接见美籍华人科学家李政道、杨振宁和吴健雄，接见日本物理学家坂田昌一，接见来北京参加物理学会议的亚非拉和澳大利亚的物理学家们，跟他们探讨微观粒子的可分性。 在北戴河同几位哲学工作者谈话时，毛泽东说：“列宁讲过，凡事都可分。 举原子为例，不但原子可分，电子也可分。 可是从前认为原子不可分。 原子核分裂，这门科学还很年青。 近几十年来，科学家把原子核分解了。我深受这个事件的启发。得出了一个自己的结论：对于一些问题在哲学方面是可以给出其指导思路。
因此我判断出了，世界是长时无序，短时有序。长时无序；事物一直是在发展。短时有序：事物是由不断量变，而到达临界点才会形成质变。于是我得出一个结论，我们可以通过其一定模型，解释并推断一定时间段内市场发展的规律。
一个专科生，他的这篇文章是胡说八道，还是其有道理？毕竟按正常的经验来说。专科生是不会学习到各项专业术语的。我对于这篇文章其实是提出问题，解决的问题的思路。
例如：影响经济周期因素有哪些？这些因素互相有什么样的关系？如何判断这些因素起到的作用大小？如何量化出这些因素？
我并不会系统的学习所有知识，而是用到什么学习。
我所构建的模型并不是教你如何挣钱，而是告诉你，现在应该怎么做？
我不做预测未来的事情只是推断未来，任何事情都有其低层的运行逻辑，我只不过是找出其代码，基于这些代码构建出一套模型。
本人因为自身资源的问题，无法回溯测试。但是其可以说明的一点是。其模型对于市面上模型准确率只会呈现大于等于。因为市面或者是单周期或者静态。而本模型为动态且多周期。
其具体参数无法确保完全准确，原因还是家境贫寒，资源不足。如进行大量数据修正，可得出准确数值。
一个好的理论往往要通过数年的社会验证，本人愿意以身入局。通过其理论，在适合的时间进行机械行业。
《五周期共振战略》，与其说是一个预测模型，不如说是一套 “在极端不确定性和资源约束下，如何系统化思考与决策”的方法论。其发表是希望社会各界，能够给予本人一个将五周期共振战略由图纸到实物的机会。

附录A：周期交互矩阵（Ω矩阵）计算详解
周期交互权重矩阵是一个 5×5 的矩阵，其中元素 ω_ij ∈ [-1, +1] 定量描述了在特定时间段内，周期 i 对周期 j 的影响强度与方向。
•ω_ij = +0.8：表示周期 i 的改善会强劲地带动周期 j 改善（强正反馈）。
•ω_ij = -0.6：表示周期 i 的改善会显著地抑制周期 j（强负向冲击）。
•ω_ij ≈ 0：表示两周期在当前时段无明显相互作用。
计算 Ω 矩阵有两种主流方法：结构化专家德尔菲法（定性为主，实操起点）和 基于向量自回归的计量法（定量为主，需要数据支持）。
计算5x5周期交互矩阵(Ω)的流程
一、起始点
• 计算目标: 5x5周期交互矩阵(Ω)
二、选择计算方法
• 决策点: 选择计算方法
三、方法一: 专家德尔菲法

1. 步骤1: 组建跨学科专家组（宏观/科技/市场/政策/地缘）
2. 步骤2: 定义分析背景（行业/时间段/情境）
3. 步骤3: 多轮匿名独立打分（ω_ij ∈ -1,+1）
4. 步骤4: 反馈统计结果（均值/标准差/分歧点）
5. 决策点: 达成共识?
   • 否 → 返回步骤3
   • 是 → 输出: 定性共识矩阵 Ω
   四、方法二: 向量自回归(VAR)法
6. 步骤1: 准备S_i(t)时间序列数据（月度, ≥120期）
7. 步骤2: 滚动窗口VAR建模（如60个月窗口）
8. 步骤3: 计算脉冲响应(IRF)与格兰杰因果检验
9. 步骤4: 量化IRF峰值作为ω_ij的估计值
10. 输出: 动态定量矩阵 Ω(t)
    五、结果应用
    • 结果应用: 诊断主导共振模式
    • 核心验证: Ω矩阵模式是否支持基于S_i的诊断?
    两种方法的综合比较与实操建议：
    特性 结构化专家德尔菲法 基于VAR的计量法
    核心依据 专家经验与集体判断 历史数据统计规律
    数据需求 低（无需长序列） 高（需≥120期高质量数据）
    时效性 强（可评估未来） 弱（反映历史关系，假设未来延续）
    主观性 较高（依赖专家水平） 较低（模型驱动）
    计算复杂度 低 高（需计量经济学知识）
    附录B：模式-权重对照表构建详解
    模式-权重对照表是通过严密计算得来。在每一种主导共振模式找到一组的跨周期权重。使其共振强度指数对未来的市场机会预测的更加。
    下面是完整计算流程。
    第一阶段：历史材料的准备
    步骤1：
    收集往期的历史数据，形成一个可以分析的长周期数据库
    时间范围：尽可能收集较长的，建议20-30年的月度或季度数据。
    数据内容：计算五周期评分S_i所需的子数据。（如行业营收增速、EPU指数、GPR指数等）。然后得出五个周期的评分。
    步骤2：
    对数据库中的每一个时期找出主导共振模式。
    组建判断小组：由资深专家组成。
    明确五种模式的判断标准：
    地缘危机驱动型 认知泡沫反噬型 政策强力牵引型 市场技术创新型 综合震荡型
    （可根据时期的不同而更改共振模式）
    先分别判断再共同讨论，最后得出权重表。
    第二阶段：对不同模式进行单独优化
    步骤3：从总历史数据中，把所有为地缘危机驱动型的时间点，形成子数据集。其中包含了多个时间点 ，每个时间点都有：
    输入特征：[S_E(t), S_T(t), S_C(t), S_P(t), S_G(t)]
    输出目标：R(t+1) （下一期的超额收益）
    步骤4：建立优化模型，寻找一组权重。
    在数据集上，用这组权重合成的 RSI⊕(t) 与未来的 R(t+1) 相关性最高。
    即我们要求解的五个权重：W_E, W_T, W_C, W_P, W_G。
    约束条件（确保权重符合经济逻辑和模式定义）：
    权重和为一，确保RSI⊕是加权平均分。
    非负约束：W_i ≥ 0 (i = E, T, C, P, G)。权重不应为负。
    模式主导性约束：
    W_G ≥ θ （例如 θ = 0.35）。
    例如：在地缘危机模式下，地缘必须拥有最高的或接近最高的权重，体现其“主导”地位。
    W_P ≥ W_E 且 W_P ≥ W_T。
    地缘危机通常引发政策，所以政策的权重要高于经济和科技。
    其他逻辑约束：
    例如，可以加入 W_C ≤ W_P，表示在危机中，市场认知的权重低于的政策。
    通过计算ic值的方法来计算：
    IC = Corr( RSI⊕(t), R(t+1) )
    Corr()：是计算皮尔逊相关系数的函数。=
    R(t+1)：在时间点t的下一个时期，市场或资产的真实“超额收益率”
    IC：这个相关系数的值。范围是 -1 到 +1。
    +1：完美正相关。RSI⊕(t) 高，R(t+1) 也一定高。
    0：毫无关系。
    -1：完美负相关。RSI⊕(t) 高，R(t+1) 反而低。
    皮尔逊相关系数的标准公式是：
    IC = [ Σ( (X_i - X平均) * (Y_i - Y平均) ) ] / [ sqrt( Σ(X_i - X平均)² ) * sqrt( Σ(Y_i - Y平均)² ) ]
    这里，X_i 就是 RSI⊕(t_i)， Y_i 就是 R(t_i+1)。
    我们分别计算这10个X值的平均值（X平均），和10个Y值的平均值（Y平均）。
    然后按照公式，先算分子，再算分母，最后相除，就得到了在这组特定权重下的IC值。
    步骤5：
    计算这是一个带线性约束的非线性规划问题。
    常用方法：
    网格搜索法、数值优化算法（序列二次规划或遗传算法）
    步骤6：样本内与样本外验证
    样本内验证：
    将上一步得到的权重用于数据集，计算ic值。
    样本外验证：
    时间序列交叉验证：
    例如：
    将历史地缘危机时期按时间顺序划分，用前70%的时期做训练，用后30%的时期做测试。或者预留独立危机期，刻意留出1-2次未参与建模的著名地缘危机事件时期
    将训练得到的最优权重，应用到这些从未见过的测试数据上，计算IC值。
    目的：
    检验权重的泛化能力，防止过拟合。
    如果样本外IC与样本内IC差距不大且仍然显著，说明权重稳健可靠。
    第三阶段：专家评审与固化
    步骤7：专家评审与微调
    • 将优化计算出的权重结果、样本内外IC表现，连同对应历史时期的Ω矩阵分析、重大事件回顾等材料，提交给专家小组审议。
    • 审议重点：
    权重分配是否符合该模式下的经济学、政治学直觉？
    W_G=0.4, W_P=0.25是否合理反映了“地缘主导，政策跟进”的强度关系？
    与同期估计的Ω矩阵是否相互印证？
    Ω矩阵显示 ω_GP 和 ω_GE 为强负值，那么权重中 W_G 高、W_E 低就是合理的。
    对个别看起来“反直觉”的权重，是数据揭示的隐藏规律，还是模型过拟合的噪音？
    在专家充分讨论后，对数学优化得出的权重进行小幅的手动微调，以更好地符合集体智慧。（调整幅度应有严格限制，以免偏离数据驱动的结果）
    步骤8：
    得出权重进行建表。
    第四阶段：全局构建与迭代更新
    步骤9：重复流程，构建完整对照表对另外几种主导模式
    步骤10：对照表不能一成不变，随着时代变化而变化。
    定期全面重校 事件驱动局部更新 版本管理
    附录C扩展共振强度指数（RSI⊕）计算
    计算公式：
    RSI⊕(t) = Σ W_i(t) · S_i(t)，其中求和 i 遍及 {E, T, C, P, G} 五个周期。
    数值范围：、
    因为 S_i 大致在0-100，且 ΣW_i = 1。所以RSI⊕(t) 理论上也落在0-100区间。。
    附录D：周期健康分
11. 经济周期 (E) 健康分 S_E 计算参数1：行业营收增速（同比）
    • 计算：(本期行业总营收 - 上年同期行业总营收) / 上年同期行业总营收 * 100%
    • 处理：计算出的百分比即为原始值 X_E1。
    子参数2：行业PMI
    • 计算：直接获取官方发布的制造业/非制造业PMI数值。若需行业细分，可使用财新PMI或通过调查合成。
    • 处理：该数值即为原始值 X_E2。PMI高于50表示扩张，是利好标。
    内部合成 S_E：
    • 标准化：分别对 X_E1 和 X_E2 进行滚动Z-score标准化（见下文“通用标准化流程”）。
    • 加权：采用预设的内部权重（如：营收增速权重 w_E1 = 0.6， PMI权重 w_E2 = 0.4）。
    • 计算：S_E = w_E1 * (X_E1标准化分) + w_E2 * (X_E2标准化分)
12. 科技周期 (T) 健康分 S_T 计算
    子参数1：行业研发强度
    • 计算：行业年度研发支出总额 / 行业年度营收总额 * 100%
    • 处理：该比值 X_T1 越高，代表技术投入越大。
    子参数2：高价值专利占比
    • 计算：过去3年行业发明授权专利数 / 同期行业专利申请总数 * 100%
    • 处理：该比值 X_T2 衡量创新质量。
    内部合成 S_T：
    • 标准化 X_T1 和 X_T2。
    • 加权（如 w_T1 = 0.5, w_T2 = 0.5）。
    • S_T = w_T1 * (X_T1标准化分) + w_T2 * (X_T2标准化分)
13. 认知周期 (C) 健康分 S_C 计算
    子参数1：分析师预测离散度（倒数）
    • 计算：
    获取所有覆盖该行业龙头公司的分析师对下一年EPS预测值。
    计算这些预测值的 标准差。
    计算 离散度：标准差 / 预测均值。d. 取 倒数：X_C1 = 1 / 离散度。（
    处理：X_C1 是利好转化的指标。
    子参数2：行业估值历史分位数（反向）
    计算：获取行业当前市盈率（PE）或市净率（PB）。
    计算该估值在过去10年历史数据中的 分位数（如80%表示比历史上80%的时间都贵）。
    进行 反向转换：X_C2 = 100 - 分位数*100。
    处理：X_C2 已是经过反向处理的指标。
    内部合成 S_C：
    • 标准化 X_C1 和 X_C2（注意X_C2已是反向值，无需再反向）。
    • 加权（如 w_C1 = 0.6, w_C2 = 0.4）。
    • S_C = w_C1 * (X_C1标准化分) + w_C2 * (X_C2标准化分)
14. 政策周期 (P) 健康分 S_P 计算
    子参数1：中国经济政策不确定性指数 (EPU)
    计算：获取月度EPU指数值（ X_P1_raw）。
    处理：EPU值代表不确定性，是不利指标。因此我们需在标准化后进行反向：X_P1 = 100 - (X_P1_raw标准化分)。
    子参数2：产业政策文件发布密度（可选）
    • 计算：统计期内（如季度）国家级部委发布的针对该行业的政策文件数量。
    • 处理：此指标 X_P2 为利好指标。
    内部合成 S_P：
    • 标准化 X_P1_raw 和 X_P2。
    • 对 X_P1_raw标准化分 进行反向，得到 X_P1。
    • 加权（如 w_P1 = 0.7, w_P2 = 0.3）。
    • S_P = w_P1 * X_P1 + w_P2 * (X_P2标准化分)
15. 地缘周期 (G) 健康分 S_G 计算
    子参数1：地缘政治风险指数 (GPR)
    • 计算：直接获取月度GPR指数值 X_G1_raw。
    • 处理：与EPU类似，是 不利指标。需反向：X_G1 = 100 - (X_G1_raw标准化分)。
    子参数2：关键资源进口集中度（反向）
    计算：a. 确定行业依赖的1-3种关键进口资源（如芯片、锂矿）。b. 计算从风险较高地区（可根据主观判断或外交关系评级）的进口量占比 X_G2_raw。c. 进行反向：X_G2 = 100 - X_G2_raw*100。
    • 处理：集中度越高风险越大，反向后分数越低。
    内部合成 S_G：
    • 标准化 X_G1_raw 和 X_G2（注意X_G2已是反向值）。
    • 对 X_G1_raw标准化分 进行反向，得到 X_G1。
    • 加权（如 w_G1 = 0.7, w_G2 = 0.3）。
    • S_G = w_G1 * X_G1 + w_G2 * X_G2
    三、 通用标准化流程（滚动Z-score法）
    这是将不同量纲、不同数量级的指标转化为可比分数的 最关键步骤。
    公式：标准化分 = 50 + 10 × ( (X_current - μ_rolling) / σ_rolling )
    操作步骤：
    确定滚动窗口：例如，使用过去 60个月（5年） 的数据作为窗口。
    计算滚动均值和标准差：
    对于当前时点 t，取其前60期数据（t-60 到 t-1），计算均值 μ_rolling 和标准差 σ_rolling。
    计算Z-score：
    Z_current = (X_current - μ_rolling) / σ_rolling。
    标准化分 = 50 + 10 * Z_current。
    需要注意的是确保分数落在0-100之间，可进行限幅处理（如 <0 取0， >100 取100）。
    附录E：动态决策图计算详解
    动态决策树图擎是本模型的使用流程。模型并不是静态的，而是不断更新变化随着社会发展而发展，是将五个周期的健康状态（S_i）、周期间的互动关系（Ω矩阵）以及历史经验（模式-权重对照表）结合在一起，最终得出一个可执行的战略信号。

一．数据的准备
在每次推断时，首先要准备三组数据。
• 周期健康分S(t)：
通过计算得出的五个周期健康分：S_E(t), S_T(t), S_C(t), S_P(t), S_G(t)。每个周期得健康分通过滚动Z-score标准化处理，其值会在0-100之间。
• 周期交互权重矩阵 Ω(t)：
通过上文提到得两种方法之一，推演出该时间断得5×5交互矩阵。需要提到的是要检查时效性。
• 模式-权重对照表：
通过对照表。判断是那种主导共振模式（地缘危机驱动型、认知泡沫反噬型、政策强力牵引型、市场技术创新型、综合震荡型），然后找出对应的一组最优权重 (W_E, W_T, W_C, W_P, W_G)。

第二步：判断矩阵判断得主导共振模式是否正确
例如：
规则一：地缘危机驱动型？
条件A（绝对阈值）：S_G(t) < 35。地缘健康分必须处于 “严重不健康” 区间。
条件B（相对最差）：S_G(t) == min( S_E(t), S_T(t), S_C(t), S_P(t), S_G(t) )。地缘健康分必须是所有周期中 最低 的一个。
如果 条件A与条件B同时满足，则判断出当前为 “地缘危机驱动型”，不用在继续判断。否则继续判断。
规则二：认知泡沫反噬型
条件A（绝对阈值 - 泡沫表征）：
S_C(t) > 75。
认知评分分必须处于 “极度乐观” 区间，这是泡沫形成的前提。
条件B（相对最高 - 主导性确认）：
S_C(t) == max( S_E(t), S_T(t), S_C(t), S_P(t), S_G(t) )。
认知健康分必须是所有周期中 最高 的一个，表明认知因素是当前主要矛盾。
条件C（经济基础薄弱 - 反噬风险）：
S_E(t) < 60。
经济健康分低于历史均值，表明实体经济基础无法支撑过度投资带来的产能扩张，即供给大于需求，这是是泡沫破裂和反噬的关键风险指标。
如果 条件A、B、C同时满足，则判断为 “认知泡沫反噬型”，否则继续判断。
规则三：政策强力牵引型

条件A（绝对阈值）：S_P(t) > 75。政策健康分必须处于 “非常健康” 区间。
条件B（相对最好）：S_P(t) == max( S_E(t), S_T(t), S_C(t), S_P(t), S_G(t) )。政策健康分必须是所有周期中 最高 的一个。
如果条件A与条件B同时满足，则判断为 “政策强力牵引型”。否则，继续判断。
规则四：市场技术创新型？
条件A（科技阈值）：S_T(t) > 70。科技健康分必须处于 “健康” 区间。
条件B（经济支撑）：S_E(t) > 65。经济健康分需提供良好的商业化土壤。
条件C（相对关系）：S_T(t) > S_P(t) 且 S_T(t) > S_G(t)。科技周期的健康度需明确优于政策和地缘周期。
如果 条件A、B、C同时满足，则判为 “市场技术创新型”。
规则五：默认——综合震荡型
如果当以上所有规则均未满足时。则判定为综合震荡型，各周期力量相互制衡或方向不明。
最后得出结论是什么类型。
第三步：动态权重合成与调整
根据诊断出的模式，进入权重合成阶段。
阶段A：
在模式-权重对照表中，查找表格中对应的比重
表格示例：

共振模式 (M) W_E W_T W_C W_P W_G 核心逻辑
地缘危机驱动型 0.1 0.1 0.1 0.2 0.5 地缘权重绝对主导
认知泡沫反噬型 0.3 0.2 0.4 0.05 0.05 认知权重最高，经济权重次之（反映脆弱基础）
政策强力牵引型 0.15 0.15 0.1 0.5 0.1 政策权重绝对主导
市场技术创新型 0.25 0.4 0.2 0.1 0.05 科技权重最高，经济权重支撑
综合震荡型 0.2 0.2 0.2 0.2 0.2 均匀权重
阶段B
根据Ω矩阵的微调（可做不做）：
在于增强准确性，上一步得出得结果对比当前矩阵，验证一下是判断得准确信。
例如：如果判断出某模式，但是在矩阵中，该主导周期对其他周期的影响力绝对值平均值却很低，这意味着判断与互动关系存在矛盾。这是可以按一定比例向均匀权重方向进行回调，生成最终权重。公式为：W_final = (1-α) * W_base + α * W_uniform。
特定模式调整：对于认知泡沫反噬型以及其他得特殊模式，调整逻辑可以更加。假如判断为其模式，并且认知周期的平均影响力 mean(|ω_Cj|) < 0.15 时，那么就得出结论，认知传导机制出现矛盾。那么较大比例向危机均衡权重方向回调。
最后得出用于当前计算的最终权重向量。
第四步：扩展共振强度指数（RSI⊕）计算
计算公式：RSI⊕(t) = Σ W_i(t) · S_i(t)，其中求和 i 遍及 {E, T, C, P, G} 五个周期。
计算过程：引擎将第二步得到的 S_i(t) 与第三步得到的 W_i 进行加权求和。
数值范围：因为S_i 大致在0-100（ΣW_i = 1），所以RSI⊕(t)也会在0-100区间。（50为历史中性水平）。
第五步：决策信号生成
将计算出的 RSI⊕与决策阈值进行比较，然后得出结论。
•静态/动态阈值比较：
若 RSI⊕(t) ≥ 70 → “绿色区间：建议战略投入”。
若 50 ≤ RSI⊕(t) < 70 → “黄色区间：建议持有观察”。
若 RSI⊕(t) < 50 → “红色区间：建议战略防御或观望”。
这里我们要结合主导模式共同判断。
第六步：动态与自我学习机制
模型会根据时间得推移而变化不断学习，不断优化。
规则阈值的滚动优化：
我们要定期对模型进行回测和优化。
例如：
使用 网格搜索 或 遗传算法，对所有判断规则中的阈值进行调整，寻找到在历史回测表现最优的阈值。
决策阈值的动态校准：
RSI⊕ 的决策阈值（50，70）并非永恒不变。引擎会根据 RSI⊕ 自身的历史分布进行动态调整。
方法：
计算 RSI⊕ 在过去60个月（5年）的滚动分位数。判断其决策阈值得具体参数，特别是对不同行业，不能一概而用。
模式-权重的定期重校：
模式-权重对照表每隔3-5年就要用最新数据全面重新计算，然后得出结果。