Svet je videti izjemno kompleksen. Finančni trgi, vreme, Sonce, geomagnetno polje, potresi, človekovo vedenje, družbeno zanimanje in številni naravni cikli se spreminjajo vsak s svojim ritmom. Na prvi pogled gre za ločene sisteme.

Toda kompleksnost še ne pomeni, da med njimi ni zakonitosti.

V matematiki in fiziki pogosto vidimo, da lahko zelo zapleteno vedenje nastane iz razmeroma preprostih pravil. Enostavna diferencialna enačba lahko ustvari kaotično gibanje. Nekaj povezanih povratnih zank lahko ustvari presenetljivo vedenje celotnega sistema. Majhna sprememba vhodne spremenljivke lahko v pravem trenutku povzroči velik odziv.

World State Explorer je raziskovalni projekt, katerega namen je takšne odnose iskati v resničnih podatkih.

Ne izhaja iz predpostavke, da neka povezava mora obstajati. Prav nasprotno: sistem naj najprej zbere podatke, nato pa naj matematika pokaže, katere povezave so zanimive, katere se ponavljajo in katere izginejo, ko jih preverimo na novih podatkih.

Osnovna zamisel je preprosta:

Če lahko v istem časovnem sistemu opišemo dovolj različnih delov sveta, lahko začnemo raziskovati, kako se stanje sveta spreminja in ali določene kombinacije današnjih podatkov vsebujejo informacijo o prihodnjih stanjih.

Kaj je World State Vector?

Predstavljajmo si, da vsako uro ali vsak dan naredimo matematični »posnetek sveta«.

Ta posnetek lahko vsebuje na primer:

  • tečaj EUR/USD,
  • dnevni donos EUR/USD,
  • geomagnetni indeks Kp,
  • Hp30 ali Hp60,
  • sončni tok F10.7,
  • hitrost sončnega vetra,
  • temperaturo,
  • zračni tlak,
  • vlago,
  • padavine,
  • potresno aktivnost,
  • fazo Lune,
  • osvetljenost Lune,
  • zanimanje za določene teme na Wikipediji,
  • druge finančne, naravne ali družbene kazalnike.

Matematično lahko takšno stanje zapišemo kot vektor:

W(t)=[x_1(t),x_2(t),x_3(t),...,x_n(t)]

kjer je W(t) stanje sveta v času t, posamezni x pa predstavljajo izbrane merljive spremenljivke.

Primer poenostavljenega vektorja:

Datum                 2026-09-01
EUR/USD                1.16
EUR/USD dnevni donos  -0.42 %
Kp                     3.0
F10.7                  148
Zračni tlak            1007 hPa
Temperatura            21.2 °C
Lunina osvetljenost    68 %
Wikipedia: Recession   0.74
Wikipedia: Anxiety     0.61

Sam en vektor ni posebej zanimiv. Zanimiva postane njegova zgodovina:

W(t_1),W(t_2),W(t_3),...,W(t_N)

Po več letih imamo tisoče ali milijone časovno urejenih meritev. Takrat lahko začnemo postavljati bistveno bolj zanimiva vprašanja.

Kaj želimo odkriti?

World State Explorer ni narejen samo za prikazovanje grafov. Glavni namen je iskanje struktur in ponovljivih vzorcev v večdimenzionalnih časovnih vrstah.

1. Ali se dve spremenljivki gibljeta povezano?

Najpreprostejše vprašanje je:

Ali se X in Y skozi čas spreminjata podobno?

Za to lahko uporabimo Pearsonovo ali Spearmanovo korelacijo.

corr(Kp,\ EURUSD\_return)

Toda to je samo prvi filter. Močna korelacija še ne pomeni, da Kp vpliva na EUR/USD. Obe spremenljivki sta lahko povezani s tretjo spremenljivko ali pa je rezultat zgolj naključen.

2. Ali se povezava pokaže z zamikom?

Pri kompleksnih sistemih učinek pogosto ni takojšen. Zato je bolj zanimivo raziskovati:

X(t)\rightarrow Y(t+\tau)

kjer je τ časovni zamik.

Na primer: ali sprememba geomagnetne aktivnosti danes sovpada s spremembo neke druge spremenljivke čez 6 ur, 24 ur, 3 dni ali 7 dni?

Program lahko avtomatsko preveri veliko različnih časovnih zamikov in poišče interval, pri katerem je povezava največja.

Kp → EUR/USD return

0 dni      r = 0.03
+1 dan     r = 0.08
+2 dni     r = 0.16
+3 dni     r = 0.05

Tak rezultat še vedno ni dokaz vzročnosti, je pa lahko zanimiva raziskovalna hipoteza.

EUR/USD kot praktičen primer

Finančni trgi so za takšno raziskovanje posebej zanimivi, ker imamo dolgo zgodovino, natančno časovno označene podatke in objektivno merljiv rezultat.

World State Explorer lahko iz uradnih podatkov Evropske centralne banke pridobi večletno zgodovino referenčnega tečaja EUR/USD.

Toda pri analizi ni dovolj gledati samo EURUSD(t). Sam tečaj je trendna časovna vrsta. Če primerjamo dve trendni časovni vrsti, lahko dobimo navidezno visoko korelacijo, čeprav med njima ni uporabnega odnosa.

Zato so pomembni tudi transformirani signali, na primer dnevni logaritemski donos:

r_t=\ln\left(\frac{P_t}{P_{t-1}}\right)

ter absolutna sprememba:

|r_t|

Prvi pove smer spremembe, drugi pa približno intenzivnost gibanja.

Tako lahko postavimo precej bolj smiselna vprašanja:

Ali določena kombinacija globalnih spremenljivk poveča verjetnost večjega premika EUR/USD naslednji dan?

ali:

Ali so določena stanja sveta zgodovinsko pogosteje sledila rasti oziroma padcu EUR/USD?

To je veliko bolj uporabno kot vprašanje: »Ali je Luna povezana z EUR/USD?«

Zakaj vključujemo lunine cikle?

Lunine cikle vključujemo zato, ker so natančno določljiva periodična spremenljivka, ne zato, ker bi vnaprej predpostavili, da vplivajo na finančne trge ali človekovo vedenje.

NASA navaja, da se cikel luninih faz ponovi približno vsakih 29,5 dni. Povprečni sinodični mesec je približno 29,53059 dneva.

Za matematično analizo je koristneje kot zgolj oznake mlaj, prvi krajec, polna luna in zadnji krajec uporabiti zvezne spremenljivke:

phase\in[0,1)
sin(2\pi\cdot phase)
cos(2\pi\cdot phase)

Zakaj dve spremenljivki? Ker je lunina faza krožna. Faza 0,99 je matematično zelo blizu fazi 0,01, čeprav bi pri navadni linearni lestvici izgledali skoraj najbolj oddaljeni. Z uporabo sinusne in kosinusne komponente ohranimo krožno geometrijo cikla.

Pomembno: World State Explorer ne trdi, da lunina faza vpliva na EUR/USD. To je preverljiva hipoteza. Če na večletnih podatkih in poznejši validaciji ni stabilnega učinka, mora sistem takšno hipotezo zavrniti. Negativen rezultat je prav tako rezultat.

Sonce in geomagnetno okolje

Druga zanimiva skupina podatkov je vesoljsko vreme.

GFZ Helmholtz Centre for Geosciences objavlja dolgo zgodovino geomagnetnih indeksov Kp in ap ter sončnih indeksov SN in F10.7. Kp podatki segajo do leta 1932. Na voljo sta tudi novejša indeksa Hp30 in Hp60 z višjo časovno ločljivostjo.

V World State Vector lahko zato vključimo:

Kp
Hp30
Hp60
F10.7
Sunspot number

ter pozneje še druge podatke vesoljskega vremena.

To omogoča raziskovanje vprašanj, kot so: ali se določena stanja geomagnetnega okolja statistično pojavljajo skupaj z drugimi signali, ali obstajajo značilni časovni zamiki, ali se odnosi pojavljajo samo v določenih obdobjih in ali se po podobnih geomagnetnih stanjih zgodovinsko pojavljajo podobni nadaljnji vzorci.

Tudi tukaj povezava ne pomeni avtomatsko vzročnosti.

Vreme kot del globalnega konteksta

Open-Meteo omogoča dostop do zgodovinskih reanaliznih podatkov ERA5. ERA5 vsebuje globalne urne podatke od leta 1940 dalje.

Med uporabnimi signali so temperatura, relativna vlaga, tlak, veter, padavine in sončno sevanje.

Vreme je zanimivo tudi zato, ker lahko deluje kot skrita skupna spremenljivka. Če odkrijemo korelacijo med signalom X in vedenjem Y, oba pa v resnici močno določata temperatura ali sezonski cikel, je prvotna povezava lahko zavajajoča.

Več spremenljivk zato ni vedno samo več podatkov. Omogočajo tudi boljše izključevanje alternativnih razlag.

Wikipedia kot senzor kolektivne pozornosti

Zanimiv vir je tudi Wikimedia Pageviews API. Ne meri čustev neposredno. Meri pa nekaj objektivnega: kolikokrat so uporabniki v določenem času obiskali določen članek.

Iz več tem lahko tako sestavimo približne indekse kolektivnega zanimanja, na primer za teme Anxiety, War, Recession, Earthquake, Insomnia, Meditation, Happiness, Gold, Euro ali United States dollar.

Iz tega lahko nastanejo raziskovalni signali, kot so:

WIKI_ANXIETY
WIKI_RECESSION
WIKI_WAR
WIKI_GOLD

Tak signal ne pomeni: »Svet je danes 73 % prestrašen.« Pomeni samo, da je relativno zanimanje za izbrano temo glede na lastno zgodovino nenavadno visoko ali nizko.

Wikimedia je leta 2026 uvedla tudi strožje omejitve avtomatiziranega dostopa do API-jev, zato mora programski odjemalec spoštovati omejitve hitrosti in HTTP Retry-After.

Normalizacija: kako primerjati neprimerljive enote?

Težava World State Vectorja je očitna. Tečaj EUR/USD je lahko 1.16, zračni tlak 1014, Kp 3 in temperatura 21. Teh števil ne smemo neposredno primerjati.

Zato uporabljamo standardizacijo. Ena najpreprostejših je z-vrednost:

z=\frac{x-\mu}{\sigma}

kjer je x trenutna vrednost, μ zgodovinsko povprečje in σ standardni odklon.

EUR/USD return      +0.3 σ
Kp                  +1.8 σ
Pressure            -0.7 σ
Wikipedia Anxiety   +2.1 σ

Tako hitro vidimo, kateri signali so glede na lastno zgodovino nenavadni.

Pri resnem časovnem testiranju je zelo pomembno, da se povprečje in standardni odklon izračunata samo iz podatkov, ki so bili v tistem trenutku že znani. Prihodnosti ne smemo uporabiti za normaliziranje preteklosti.

Kaj pomeni »podobno zgodovinsko stanje sveta«?

Ena zanimivejših funkcij je iskanje zgodovinskih vektorjev, ki so najbolj podobni trenutnemu stanju.

Današnje stanje označimo:

W_{today}

Nato po zgodovini iščemo:

W(t_i)\approx W_{today}

Primer rezultata:

Najbolj podobna pretekla stanja:
17. 9. 2019   podobnost 94 %
4. 5. 2021    podobnost 92 %
11. 8. 2017   podobnost 90 %

Nato postavimo drugo vprašanje: kaj se je zgodilo po teh podobnih stanjih?

Po 24 urah:
EUR/USD višje       6 od 10 primerov
EUR/USD nižje       4 od 10 primerov

Po 7 dneh:
povprečni donos     +0.31 %

Takšna analiza ni prerokovanje. Je analiza pogojnih zgodovinskih verjetnosti.

P(Y_{future}|W_{today})

To je precej drugače od trditve, da se mora nekaj zgoditi jutri samo zato, ker se je zgodilo desetkrat v preteklosti.

Mutual Information: ko korelacija ne vidi povezave

Pearsonova korelacija dobro zazna približno linearne povezave. Kompleksni sistemi pa so pogosto nelinearni.

Možen je odnos, pri katerem:

corr(X,Y)\approx0

čeprav Y vsebuje informacijo o X.

Zato je uporabna tudi medsebojna informacija oziroma Mutual Information:

I(X;Y)

Ideja je preprosta: koliko negotovosti o Y zmanjšamo, če poznamo X?

Če je I(X;Y)=0, spremenljivki v idealnem statističnem smislu ne delita informacije. Če je I(X;Y)>0, obstaja statistična odvisnost, ki je lahko tudi nelinearna.

Tudi Mutual Information še vedno ne pomeni vzročnosti. Je pa pomembno dodatno orodje za odkrivanje odnosov, ki jih navadna korelacija lahko spregleda.

Največja nevarnost: milijoni naključnih »odkritij«

To je verjetno najpomembnejši del celotnega projekta.

Predstavljajmo si 100 signalov. Samo parov je:

\frac{100\cdot99}{2}=4950

Če za vsak par preverimo še 100 časovnih zamikov, smo že pri:

495.000

statističnih primerjavah.

Pri toliko testih bomo zagotovo našli nekaj, kar izgleda neverjetno, tudi če v ozadju ni nobene resnične povezave.

Zato ne smemo iskati samo majhne p vrednosti. World State Explorer uporablja koncept False Discovery Rate (FDR). Klasična metoda Benjamini–Hochberg je bila razvita prav za nadzor deleža lažnih odkritij pri množičnem statističnem testiranju.

Brez takšne zaščite bi program zelo hitro postal stroj za izdelovanje navideznih čudežev.

Discovery in Validation morata biti ločena

Najmočnejša zaščita pred samoprevaro je zelo preprosta: podatke razdelimo.

2017–2024    DISCOVERY
2025         VALIDATION
2026         LIVE VALIDATION

Na starejših podatkih program išče zanimive odnose. Recimo, da odkrije:

X(t) → Y(t+2 dni)

Ko je hipoteza ustvarjena, se formula zamrzne. Ne smemo je spreminjati zato, da bo bolje ustrezala validacijskim podatkom.

Nato jo preverimo na obdobju, ki ga algoritem med odkrivanjem ni uporabljal.

Discovery       PASS
Validation      FAIL
Status:         REJECTED

To ni neuspeh sistema. To pomeni, da je sistem pravilno odstranil navidezno povezavo.

Bolj zanimivo je:

Discovery       PASS
Validation 1    PASS
Validation 2    PASS
Live 2026       PASS
Status:         REPLICATED

Šele takrat postane hipoteza res vredna nadaljnjega raziskovanja.

Korelacija ni vzročnost

Če program odkrije:

X(t)\leftrightarrow Y(t+1)

to še ne pomeni:

X\rightarrow Y

Možne razlage so vsaj: X vpliva na Y; Y posredno vpliva na X; tretja spremenljivka Z vpliva na oba; povezavo povzroča sezonskost; prisotna je podatkovna ali časovna pristranskost; rezultat je statistično naključje; ali pa sta spremenljivki del večjega skupnega dinamičnega sistema.

Vzročno sklepanje iz časovnih vrst je aktivno znanstveno področje. Jakob Runge in sodelavci so podrobno obravnavali možnosti in omejitve vzročnega sklepanja iz kompleksnih časovnih vrst v znanostih o Zemlji.

World State Explorer zato povezave obravnava kot kandidate za nadaljnje preverjanje, ne kot avtomatsko dokazane vzroke.

Kaj lahko v praksi najdemo?

Projekt je zanimiv prav zato, ker rezultat ni vnaprej določen.

1. Ni stabilne povezave

Moon phase → EUR/USD
Discovery: zanimivo
Validation: brez učinka

Zaključek: na pregledanih podatkih nimamo dokaza za stabilno napovedno povezavo. To je koristen rezultat.

2. Povezava obstaja, vendar je trivialna

Algoritem lahko odkrije temperatura ↔ mesec v letu. To je resnična povezava, vendar ni presenetljiva. Takšni rezultati so koristni tudi za preverjanje, ali sistem pravilno deluje.

3. Najdemo skrito skupno spremenljivko

Na prvi pogled se zdita X in Y povezana. Ko dodamo Z, povezava izgine. To je pomembno, saj pokaže, da je prvotni odnos verjetno pojasnila tretja spremenljivka.

4. Najdemo stabilen časovni zamik

Če povezava med X danes in Y čez 18 ur preživi več neodvisnih validacij, postane zanimiva za nadaljnjo analizo.

5. Najdemo ponavljajoče se »režime sveta«

Z dovolj podatki lahko pozneje uporabimo clustering in podobne metode ter iščemo stanja, ki se pogosto ponavljajo:

REGIME A  mirno finančno in geomagnetno okolje
REGIME B  povečana geomagnetna aktivnost
REGIME C  visoka finančna volatilnost
REGIME D  visoka kolektivna pozornost
REGIME E  redko oziroma anomalno stanje

Nato lahko raziskujemo prehode R_A → R_C ali R_D → R_B. To lahko razumemo kot nekakšno matematično vreme kompleksnega sistema.

Iskanje enačb namesto samo korelacij

Dolgoročno je zanimiva še ena smer. Namesto vprašanja »Katera spremenljivka je povezana s katero?« lahko vprašamo: »Ali obstaja preprosta enačba, ki opisuje del dinamike?«

Metoda SINDy — Sparse Identification of Nonlinear Dynamics — je bila razvita prav za odkrivanje razmeroma preprostih dinamičnih enačb iz podatkov.

\dot{x}=f(x)

Algoritem dobi meritve in veliko knjižnico možnih matematičnih členov, nato pa skuša izbrati majhno število tistih, ki najbolje pojasnijo dinamiko.

To je zanimivo zato, ker rezultat ni samo »black box« nevronska mreža, ampak lahko dobimo interpretabilno enačbo. V prihodnosti bi lahko podoben princip uporabili tudi na World State Vectorju.

Česa World State Explorer ne sme postati

Pri projektu je pomembno ohraniti disciplino. Ne želimo programa, ki bo po vsakem naključnem rezultatu napisal »Luna vpliva na evro« ali »Geomagnetno polje napoveduje trg«.

Takšne trditve bi bile brez ustreznih dokazov zavajajoče.

Pravilna formulacija je na primer:

V discovery obdobju smo zaznali statistično povezavo med spremenljivkama pri določenem časovnem zamiku. Povezava je prestala oziroma ni prestala neodvisne validacije.

To je manj spektakularno, je pa znanstveno veliko bolj vredno.

Kako uporabljati World State Explorer

1. Uvoz zgodovinskih podatkov

Najprej uvozimo večletno zgodovino. Za začetno raziskovanje je smiselno uporabiti vsaj nekaj let podatkov. Pri EUR/USD je na primer obdobje 2018–danes že dovolj dolgo, da vsebuje različna tržna okolja.

Podatki se zaradi omejitev spletnih API-jev uvažajo v manjših paketih prek čakalne vrste. To omogoča delovanje tudi na običajnem PHP gostovanju.

2. Pregled signalov

V razdelku Signals / Signali preverimo, ali je signal registriran, koliko meritev vsebuje, od katerega datuma obstajajo podatki in kdaj je bil prejet zadnji podatek.

Če vir kaže 10 signalov / 0 meritev, je signal konfiguriran, vendar uvoz še ni uspel.

3. Glavni graf

Na prvi strani lahko izberemo glavni in primerjalni signal, na primer EUR/USD return proti Moon illumination ali EUR/USD absolute return proti Kp. Graf podpira približevanje in premikanje, zato je mogoče iz večletnega prikaza povečati posamezno zanimivo obdobje.

4. Raziskovalec časovnih zamikov

Izberemo X in Y ter območje zamikov, na primer X = Kp, Y = EUR/USD daily return, lag -30 ... +30 dni. Program poišče, pri katerem zamiku je statistična povezanost največja. Rezultat obravnavamo samo kot hipotezo.

5. Podobna zgodovinska stanja

Izberemo današnji ali poljuben pretekli World State Vector. Program poišče najbolj podobna zgodovinska stanja, nato pa pogledamo, kaj se je običajno zgodilo po njih.

6. Hipoteze in validacija

Najzanimivejše odnose shranimo kot raziskovalne hipoteze. Hipoteza mora vsebovati signal X, signal Y, časovni zamik, metodo, obdobje discovery, formulo oziroma parametre in datum nastanka. Od takrat naprej se hipoteza ne prilagaja več glede na validacijske rezultate.

Zakaj SQLite?

Prva različica World State Explorerja uporablja SQLite. To je za tak projekt smiselno, ker ne zahteva ločenega podatkovnega strežnika, celotna baza je ena datoteka, preprosto jo je varnostno kopirati, primerna je za podatkovno analitiko in PHP jo podpira neposredno.

Uradna dokumentacija SQLite med primerne primere uporabe izrecno uvršča tudi manjša in srednje velika spletna mesta ter analizo podatkov.

Arhitektura je zasnovana tako, da se lahko v prihodnosti podatkovni sloj prenese tudi na MySQL ali PostgreSQL.

Kam lahko projekt razvijamo naprej?

Fourierjeva analiza

Z njo lahko iščemo periodične komponente:

X(t)=\sum_k A_k\sin(2\pi f_k t+\phi_k)

To lahko pomaga odkriti cikle, ki jih na grafu ne vidimo.

Wavelet analiza

Fourierjeva transformacija pove, katere frekvence so prisotne v celotnem signalu. Wavelet analiza pa lahko pokaže tudi, kdaj se je določen cikel pojavil in kdaj izginil. To je pri nestacionarnih sistemih pogosto pomembnejše.

Causal discovery

Metode, kot je družina PCMCI, so bile razvite posebej za odkrivanje kandidatnih vzročnih povezav v večdimenzionalnih časovnih vrstah. To bi bil naraven naslednji korak, ko bo osnovna podatkovna zbirka dovolj velika in kakovostna.

Symbolic regression in SINDy

Namesto zgolj statističnega odnosa bi lahko iskali enačbe, na primer:

Y(t+1)=aX_1(t)+bX_2(t-\tau)+cX_1(t)X_3(t)

Če bi preprosta enačba več let uspešno napovedovala podatke, ki jih med učenjem ni videla, bi bil to zelo zanimiv rezultat.

Lastne meritve

Globalnemu World State Vectorju lahko nekoč dodamo še lokalne ali individualne meritve: HRV, EEG, EDA, kakovost spanja, aktivnost, subjektivno počutje in druge senzorje.

Takrat bi lahko raziskovali:

HumanState(t)\leftrightarrow WorldState(t)

Vendar bi tudi tukaj veljalo isto pravilo: najprej podatki, nato hipoteza, nato neodvisna validacija.

Raziskovanje tudi nenavadnih hipotez

World State Explorer je lahko odprt tudi za manj običajne hipoteze. To samo po sebi ni problem. Znanstvena metoda ne zahteva, da raziskujemo samo konvencionalne ideje.

Zahteva pa, da hipotezo jasno definiramo, meritev izvedemo objektivno, rezultat statistično preverimo, upoštevamo množično testiranje, rezultat preverimo na novih podatkih, iščemo alternativne razlage in neuspešno hipotezo zavrnemo.

Zato je povsem legitimno preveriti, ali je lunina faza povezana z neko časovno vrsto. Ni pa legitimno iz kratkega obdobja ali ene korelacije zaključiti, da Luna povzroča ta pojav.

Enako velja za geomagnetizem, finančne trge, kolektivno vedenje in vse druge potencialne povezave.

Najpomembnejša ideja projekta

Cilj World State Explorerja ni ustvariti eno samo »formulo sveta«.

Bolj realističen cilj je odkriti lokalne zakonitosti, ponavljajoče se režime, značilne časovne zamike, skrite nelinearne odnose, nenavadne anomalije in kombinacije spremenljivk, ki vsebujejo napovedno informacijo.

Svet je lahko preveč kompleksen za eno samo enačbo. To pa ne pomeni, da v njem ni preprostih struktur.

Morda je boljši opis:

W(t+\Delta t)=F(W(t),E(t))

kjer je W(t) trenutno merljivo stanje, E(t) množica zunanjih oziroma neizmerjenih vplivov in F dinamika sistema.

World State Explorer poskuša iz podatkov izvedeti vsaj del funkcije F.

Zaključek

Imamo več javnih podatkov kot kadarkoli v zgodovini. ECB objavlja dolge finančne časovne vrste. GFZ meri geomagnetno okolje. Meteorološke reanalize omogočajo pogled desetletja nazaj. Wikimedia lahko služi kot približen senzor kolektivne pozornosti. Astronomske cikle lahko natančno izračunamo.

Posamezno so to samo podatki.

Ko jih časovno poravnamo v skupni World State Vector, dobimo nekaj novega: matematičen opis dela sveta v določenem trenutku.

Nato lahko začnemo spraševati: katera stanja se ponavljajo, kaj se običajno zgodi po podobnih stanjih, kateri signali vsebujejo informacijo o prihodnjih signalih, katere povezave izginejo pri neodvisni validaciji in ali obstajajo preproste zakonitosti, ki jih ob gledanju posameznih grafov ne opazimo.

Najpomembnejše je, da sistemu ne povemo, kaj mora najti.

Naj podatki pokažejo, ali je povezava resnična.

In če zanimiva povezava ne preživi preverjanja, jo zavrnemo.

Prav ta kombinacija odprtosti za nenavadne ideje in strogega preverjanja je glavni namen World State Explorerja.

Pomembna opomba

World State Explorer je raziskovalno in eksperimentalno orodje. Statistične povezave, zgodovinske podobnosti in modeli ne predstavljajo zagotovila prihodnjih dogodkov.

Finančne analize, vključno z analizo EUR/USD, niso investicijsko priporočilo. Evropska centralna banka svoje referenčne devizne tečaje objavlja za informativne namene in odsvetuje njihovo uporabo za transakcijske namene.

Viri in nadaljnje branje

  1. European Central Bank – ECB Data Portal, API documentation. Programski dostop do uradnih statističnih časovnih vrst ECB, vključno z deviznimi tečaji. https://data.ecb.europa.eu/help/api/overview
  2. European Central Bank – Euro foreign exchange reference rates. Uradna metodologija in referenčni tečaji valut proti evru. https://www.ecb.europa.eu/stats/policy_and_exchange_rates/euro_reference_exchange_rates/
  3. GFZ Helmholtz Centre for Geosciences – Kp Index Data. Kp, ap, Ap, SN, F10.7 ter spletni API; Kp podatki segajo do leta 1932. https://kp.gfz.de/en/data
  4. GFZ – Hp30 and Hp60 indices. Geomagnetna indeksa z 30- in 60-minutno časovno ločljivostjo. https://kp.gfz.de/en/hp30-hp60/data
  5. Open-Meteo – Historical Weather API. Dostop do ERA5 in drugih zgodovinskih meteoroloških podatkov. https://open-meteo.com/en/docs/historical-weather-api
  6. NASA Science – Moon Phases. Razlaga luninih faz in približno 29,5-dnevnega cikla lunacije. https://science.nasa.gov/moon/moon-phases/
  7. Wikimedia Analytics – Pageviews API. Časovne vrste ogledov člankov na Wikipediji in sorodnih projektih. https://doc.wikimedia.org/generated-data-platform/aqs/analytics-api/
  8. Wikimedia APIs – Rate limits. Aktualna pravila za avtomatiziran dostop in omejevanje zahtevkov. https://www.mediawiki.org/wiki/Wikimedia_APIs/Rate_limits
  9. Runge, J. et al. (2019). Inferring causation from time series in Earth system sciences. Nature Communications 10, 2553. DOI: 10.1038/s41467-019-10105-3
  10. Brunton, S. L., Proctor, J. L., Kutz, J. N. (2016). Discovering governing equations from data by sparse identification of nonlinear dynamical systems. PNAS 113(15), 3932–3937. DOI: 10.1073/pnas.1517384113
  11. Benjamini, Y., Hochberg, Y. (1995). Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society, Series B 57(1), 289–300. DOI: 10.1111/j.2517-6161.1995.tb02031.x
  12. SQLite – Appropriate Uses for SQLite. Uradna razlaga uporabe SQLite za spletne aplikacije, lokalno shranjevanje in analizo podatkov. https://www.sqlite.org/whentouse.html

Kratka definicija

World State Explorer je raziskovalni sistem za zbiranje, časovno usklajevanje in matematično analizo različnih javnih časovnih vrst. Z uporabo koncepta World State Vector išče korelacije, časovne zamike, nelinearne odvisnosti, anomalije, podobna zgodovinska stanja in kandidatne napovedne odnose. Vsako zanimivo povezavo mora nato preveriti na podatkih, ki pri njenem odkrivanju niso bili uporabljeni.