court-vision

# CourtVision -- 多运动预测 + 决策支持 AI，具有深入的每球员智能 [](https://github.com/neeljshah/court-vision/actions/workflows/proof.yml) *该徽章每隔一段时间重新运行所有分析模块的 `--check` 自我验证（`check_all.py`, 52 个模块）， 在纯净克隆上 -- 仅提交产物验证，无私有数据；它证明了收据重新验证， 而不是任何声明击败市场。自己复制： [REPRODUCE.md](REPRODUCE.md)。* **一个校准的 AI 大脑，跨越五项运动，从单一的相干引擎中定价每个市场， 深入到每个球员的属性分布，实时重新定价比赛，并寻找可以实际存在的软 pocket 中的优势 -- 证明每个声明无泄漏，不会伪造未赚取的美元优势。** 它是 *广泛的*：NBA、MLB、俱乐部足球、世界杯和网球，每个运动都有相同的 `predict / to_jd / predict_live` 接口， 每个市场（胜负、总分、赔率、1X2、双方进球、正确比分、球员属性、替代线梯度、同游戏投注）都由一个校准的锚定价格。 它是 *深入的*：在每个球队编号下，都有一个每球员的预测分布，一个 ~190 特征的属性栈， 44 个球员/球队“地图”，比赛风格原型，一个相干的控球级别的蒙特卡罗模拟器， 以及一个 ~100 文件的优势智能语料库，涵盖每项运动的每个数据源、每个市场、每个可击败的 pocket 和每个建模杠杆， 并带有诚实的通过/拒绝判决。 它是 *诚实的*：比赛前，模型跟踪团队实力市场的 devigged 封闭线在采样噪声内， 并且从不超越它（封闭的 Brier 在每一行上低几个千分之一 -- 见论文部分的测量表）； 在比赛中 -- 条件是实现游戏状态使模型的 Brier 更低 -- 分布测试在某些检查点上读取略微模型有利，但 **不足以调用优势**。 **没有美元优势、投资回报率或“击败封闭”被声称** -- 候选优势被提出，按证据分级，并且只有通过前向封闭线价值（CLV）证明， 从不被断言。 由 **[Neel Shah](https://github.com/neeljshah)** 构建 -- 独立人类架构师和代理构建管道总监。 工程判断、运输/拒绝决定和方法验证归我所有。 开放 **ML / 数据 / 量化 / 基础工程师** 角色 -> [neeljshah22@gmail.com](mailto:neeljshah22@gmail.com) --- ### 测量的胜利：比赛中的条件 在实现的游戏状态上进行条件是唯一一个清除所有诚信轨道的校准结果： Brier 急剧下降并且无泄漏，在真实语料库上样本外 -- **NBA 0.209 -> 0.159, MLB 0.241 -> 0.126** (`edge_claimed: false`)。 第三节末的预测头部为 **~26% MAE 提升**，优于朴素的前向基准（单独引用，从未与单独的第三节胜概率 Brier 配对， 后者带有自己的第四节泄漏）。 实时投注看到相同的实现状态，因此这是预测者 *质量*，而非美元优势。 完整证明和框架：[docs/INGAME_PROOF.md](docs/INGAME_PROOF.md)。  --- ## 使用你的 Claude（2 分钟，任何笔记本电脑） 此存储库附带一个可工作的 **MCP 服务器** -- 将其连接到 Claude Code 或 Claude Desktop， 并询问任何问题：侦察报告、比较、比赛预览、验证声明排名，全部带有收据。 一条命令下载最新的描述智能数据包（无投注数据，无实时馈送）， 并打印你的确切 Claude 配置。 **从这里开始： [docs/USE_WITH_CLAUDE.md](docs/USE_WITH_CLAUDE.md)** · 服务器详情： [docs/MCP_SERVER.md](docs/MCP_SERVER.md) --- ## 探索整个系统，链接到链接 此 README 是前门。 **[docs/INDEX.md](docs/INDEX.md) 是完整地图** -- 每个跟踪文档， 按角色和渠道阶段组织，以便您可以从原始数据馈送一路跟踪到模型、模拟器、校准门、 线路购物和执行、实时比赛重新定价和自主自我改进循环。 它是有深度的：彻底阅读是多天的旅程。 - **新来者？** -> [docs/INDEX.md](docs/INDEX.md)（地图）和 [GLOSSARY](docs/GLOSSARY.md)（CLV，leak-free，walk-forward，Shin devig，Brier，Kelly，...） - **您想首先查看诚实的数字？** -> [docs/JOB_EVIDENCE_PACKET.md](docs/JOB_EVIDENCE_PACKET.md) - **什么是实际强大的（比赛准确性，校准仅）？** -> [docs/IN_GAME_SHOWCASE.md](docs/IN_GAME_SHOWCASE.md) - **您想进行引导式演示路径吗？** -> [docs/PRODUCT_DEMO.md](docs/PRODUCT_DEMO.md)（系统健康 -> 实时预测 -> 带收据的预言查询 -> 诚信账本） - **AI 如何构建它？** -> [docs/BUILT_WITH_CLAUDE.md](docs/BUILT_WITH_CLAUDE.md) **深入层（新）** -> [DAEMONS](docs/DAEMONS.md) - [PLATFORM_HARNESS](docs/PLATFORM_HARNESS.md) - [PAPER_TRADING_STACK](docs/PAPER_TRADING_STACK.md) - [INGEST_PIPELINES](docs/INGEST_PIPELINES.md) - [DATA_DEPTH](docs/DATA_DEPTH.md) - [ASK_SURFACES](docs/ASK_SURFACES.md) - [SPORTS_COVERAGE](docs/SPORTS_COVERAGE.md)。系统的深度现在按子系统记录， 不再只是上述的渠道阶段。 --- ## 整个大脑如何协同工作 一切都是一个渠道，每个阶段都馈送到下一个阶段。 一个地方的模型变化会相干地传播到其他地方的每个市场， 通过一个缝隙。 ``` 数据 无密钥、无泄漏的 5 项运动数据摄入（ESPN、MLB StatsAPI、Sackmann、 | football-data、prediction markets、DFS 属性馈送）-> 标记为时间戳的 parquet v 信号 无泄漏的每个实体特征 + 先验：球队评分（MOV-Elo / EW-Poisson / | 表面-Elo / 伺服-持有），每个球员每曝光率，44 个地图，原型 v 模型 一个校准的胜概率（锚点）+ 每个球员计数分布（泊松 / 负二项分布，离散校准） | （联合） v 引擎 联合分布（相干得分矩阵）+ 控球蒙特卡罗模拟（涌现队友相关性）+ 实时重新定价（条件是实现状态） | （引擎） v 预测 一个缝隙 -> 整个市场表面：ML / 总分 / 赔率 / 1X2 / BTTS / | 正确比分 / 球员属性梯度 / SGP -- 比赛前和比赛中，相干 v 智能 优势智能语料库 + 证明脊柱：每个候选优势分层假设 -> 校准证明 -> CLV 证明；切割市场高效的地方 ``` 凝聚力是关键： **一个胜概率锚定胜负、赔率、总分和比赛重新定价** -- 它们是从同一个引擎中相干读取的， 而不是四个独立的模型可能相互矛盾。比赛前和比赛中的预测在比赛开始时通过构造达成一致。 添加一项运动是一个适配器，而不是内核重写；添加一个市场是从同一个锚点读取。 --- ## 它预测什么 | 运动 | 比赛前市场表面 | 球员属性 | 比赛中重新定价 | |------------|------------------------------------------------------|-------------------------------------------|----------------------------| | NBA | 胜负，总分，赔率/利润 | pts/reb/ast/3pm/stl/blk + PRA + DD + SGP | 第一节 / 第二节 / 第三节结束 | | MLB | 胜负，跑线，总分 | K / hits / TB / walks / outs / ER ... | 第三局 / 第五局 / 第七局结束 | | 俱乐部足球| 1X2，O/U-2.5，BTTS，正确比分，亚盘 | shots / SOT / fouls / cards / saves ... | 半场 | | 世界杯 | 1X2（中立场地），O/U-2.5，BTTS，正确比分 | shots / SOT / fouls / fouls-drawn / saves | 实时分钟 | | 网球 | 比赛获胜，游戏 O/U，组，握有 | （可构建的 ace；馈送门控） | 第一组后 | 每个输出都是校准的概率或具有离散的点预测 -- 从不推荐投注。 买方 CLI 在每个响应上都标记为 `"edge_claimed": false`。 **NBA 2025-26 赛季覆盖。** `games.parquet` 携带所有 1,156 场预定比赛的 2025-26 赛季； 球员的 boxscores 现在涵盖 **整个赛季** -- 74 场原始季度缓存中的比赛，加上 1,082 场从 ESPN 完整比赛摘要中回填到同一个 `quarter_box` 缓存中（q0 = 完整比赛总和，q1-q4 = 真实季度，零下游转换更改）。 赛季的规范射手领导者声明已在此语料库上生成并 **独立验证**。 **询问某人的投篮类型。** 不是排名 -- 一个十轴特征向量（体积/效率/难度/重力/背景），每个轴都引用其自己的 **验证声明**，从不合并成一个分数： ```bash python -m scripts.platformkit.intel_query.ask "Stephen Curry 的投篮类型是什么" # 或直接： python -m scripts.platformkit.intel_query.compose_profile "Luka Doncic" ``` **询问纸质账本的表现。** 从实时纸质账本（从不加载整个文件）流式传输， 每个答案都与其频道的 fail-closed 绿色验证配对，因此在状态出现之前永远不会出现单位数字： ```bash python -m scripts.platformkit.intel_query.paper_analytics "本周按渠道" python -m scripts.platformkit.intel_query.paper_analytics "结算积压" ``` --- ## 知识面广 -- 它了解每一个细节 **广度（广泛）。** 五个领域共享一个接口和一个验证门，因此大脑用相同的机制推理英超比赛、 世界杯中立场地比赛、MLB 投球比赛、ATP 比赛和 NBA 季度 -- 具有相干的读取。 一个无密钥、免费、幂等、无泄漏的数据骨干刷新所有五个（约 93 MB 的 parquet）-- MLB StatsAPI boxscores、ESPN 球员名单 + 运动员赛季拆分、Sackmann 网球、football-data、 以及预测市场（Kalshi / Polymarket）和 DFS 属性馈送（Underdog / PrizePicks）。 机会表面由数据广度限定，而不是模型广度：相同的纯最佳线 / Shin-devig / EV / 套利核心覆盖 *每个* 事件馈送返回。 **声明规模。** 大脑将回答的每个派生统计数据必须通过一个独立的验证器， 该验证器将其标记为 `VERIFIED`、`MISMATCH` 或 `UNVERIFIABLE` -- **101,089 个验证声明行** 今日在 `data/cache/intel_claims/` 下的每个 `*_validation.json` 摘要中（71 个声明存储，7 项运动）。 一个机器可读的 **数据普查**（`data/frontend/ops/data_census.json`）清点了磁盘上每个运动的可派生家族 -- 67 个可派生家族，涵盖 NBA、MLB、足球、soccer_intl、网球、WNBA、NPB、KBO 和跨运动市场 -- 并按 `leverage_rank` 将每个仍为 **UNBUILT** 的排名放入单个跨运动优先级队列中，自循环读取以决定接下来要构建的内容。 完整的按运动分类（磁盘数据、声明计数、最大差距、模型 vs 封闭判决）生活在 [docs/SPORTS_COVERAGE.md](docs/SPORTS_COVERAGE.md)。 **深度（每个细节）。** 在每个球队编号下，大脑深入到： - **球员预测分布。** 不是点估计 -- 一个完整的计数分布（每个球员每个统计数据（曝光率 x 预期曝光 -> 泊松/负二项分布）， 因此它定价整个替代线梯度（“超过 0.5 / 1.5 / 2.5 ... 投篮”，“10 vs 30 分”）和同游戏投注的联合结构， 而不仅仅是一条线。 - **一个 ~190 特征的 NBA 属性栈** （滚动表单、对手防御、节奏、休息/B2B、投篮区倾向、on/off、协同比赛类型 PPP、裁判倾向、赛程困难度...）， 具有 23 个特征块，每个块都注释了泄漏-自由的 walk-forward 结果，该结果杀死或保留了它。 - **44 个“地图”** （28 个球员 + 16 个球队：使用角色、节奏拟合、匹配分裂、对方案分裂、 休息/B2B 分裂、间距重力、夹紧形状、拉球...）-- 一个深度描述 + 相关资产。 - **比赛风格原型，从不人** -- 前锋 / 边锋 / 持有中场 / 守门员；强打者 / 接触式击球手 / 三振投手； 高使用率创造者 / 3-and-D ## 深度智能层 在模型之上，存在一个活跃的**边缘智能知识库**（约100个markdown文件和结构化文件），使得对知识的广度和深度的探索变得可行和实用 —— 这是大脑自身的地图，显示了哪里可以推进，哪里应该停止： - **按体育项目分类：** 每个体育项目都有一个边缘地图（每个市场都标记为可击败或高效，并附有证据），一个数据源账本（已有的/缺失的/如何获取），完整的市场和属性表面，一个低效目录（每个口袋都有一个数据检测配方和一个证明方法），一个模型杠杆账本（每个杠杆都有一个SHIP/REJECT/PENDING判决），以及一个优先的路径到边缘。 - **跨领域：** 边缘理论 + 有效市场的剪切列表，证明标准（无泄漏/ OOS / CLV 栏以及伪边缘的过度拟合陷阱），按来源划分的爬取规格，按低效率划分的检测配方，一个可重用的方法库（Poisson-vs-NegBinom，经验贝叶斯收缩，Shin devig，isotonic-when，Kelly + 相关性大小，CLV 计算， walk-forward 泄漏防护），以及一个包含每个候选证据等级的单一活跃边缘账本。 诚实的范围：描述性/地图智能是一种深度*侦察 + 相关性*资产，而预测时间输入的漏斗仍在构建中（在服务的模型上测量的点精度提升约为0，并且如实报告）。知识库的价值在于使整个边缘搜索变得系统化，扎根于现实且诚实。参见 [docs/INTELLIGENCE.md](docs/INTELLIGENCE.md)。 --- ## 环路自主运行 -- 自主层 + 答案引擎神谕 在发现环路（我的残差 -> 在发货门后验证 -> 发货或拒绝）之外，是两个曾经需要人类介入的自主阶段：**自我遮蔽**，它将环路中尚未确认的裁决与实际结果进行对比，当结果出现时，**自我提案**，它按照零LLM调用和零人类触发的计划生成和控制新的假设。一个**哨兵层**监控观察者 -- 磁盘压力，异常突发，停滞的心跳，代码自身的不变性强制执行哈希 -- 以及一个**一键系统活跃度测试**，它将每个门/哨兵/账本组合成一个单一的读数，拒绝用绿色掩盖任何故障部分：本周的活跃运行正确地报告了`OVERALL: RED`，并指出了特定的故障子系统（一个过时的刮擦心跳，8个普查漂移条目），而不是一个装饰性的绿色。 在漏斗之上，坐落着一个**答案引擎神谕**：一个“什么影响什么”的**影响图**（555个节点/296条边，涵盖NBA，MLB，足球和网球），完全由知识引擎已经裁决的行构建 -- 零新的统计数据计算，只需标记和链接 -- 加上一个**解析器注册表**，它将每种支持的问题类型映射到一个确定的源，并拒绝任何未注册的问题，而不是即兴发挥一个听起来很合理的答案。知识引擎本身现在已经完全耗尽了所有4种体育：197个机制假设被关闭（89个CONFIRMED_LOCAL，74个诚实的NULL，34个无法在本地测试/其他）-- 每个神谕解决的“X是否真正发生”问题都带有裁决，样本大小，p值和源文件，而不是民间传说。完整说明：[docs/PRODUCT_DEMO.md](docs/PRODUCT_DEMO.md)。 --- ## 论文数据（校准/锐度 -- 绝不美元优势） ### 比赛前 -- 与开发的关闭线相比，无泄漏OOS 较低的Brier/RMSE更锐利。 MATCH = 在采样噪声内与锐利的关闭相同。 BEHIND = 市场的伤害/阵容/天气/公园/起始投手新鲜度，公共 + 盒分模型无法看到。来源：`vault/_Edge_Maps/_Beat_The_Close.md`，从一个活跃的`scripts.platformkit.beat_the_close_scoreboard`运行中复制，以下是来自真实语料库的引用；完整的框架 + 候选人拒绝表在 [docs/MARKET_EFFICIENCY_PROOF.md](docs/MARKET_EFFICIENCY_PROOF.md)。 | 体育/市场 | 我们的模型 | 关闭 | 裁决 | |-------------------|---------------|---------|----------------------------------| | NBA比赛 | Brier 0.1735 | 0.1672 | 匹配（在噪音内） | | NBA总分 | RMSE 19.17 | 18.11 | 落后（伤害/阵容新鲜度） | | MLB比赛 | Brier 0.2429 | 0.2390 | 匹配（轻微投手盲点） | | MLB总分 | RMSE 4.72 | 4.44 | 落后（公园/天气/SP） | | 足球 O/U-2.5 | Brier 0.2465 | 0.2390 | 匹配（汇集的普拉特） | | 网球 ATP ml | Brier 0.2177 | 0.2028 | 落后（ATP 关闭非常紧密） | ### 比赛过程中 -- 以实现的 状态为条件击败静态比赛前线。所有4个WIN。 一个活跃的投注市场也能看到状态，因此这是预测质量，而不是美元优势。来源：`vault/_Edge_Maps/_Ingame_Scoreboard.md`。 | 体育 | 静态 -> 条件Brier | 何时 | |--------|-----------------------------------------|-------------------------------------| | NBA | 0.209 -> 0.159 | 第一季度/第二季度/第三季度结束（评级先验 +比分） | | MLB | 0.241 -> 0.126 | 第三局/第五局/第七局后 | | 足球 | 1X2 0.626 -> 0.502; O/U 0.264 -> 0.176 | 半场 | | 网球 | 0.219 -> 0.151 | 第一局后（无泄漏领先者） | **阅读它。** 比赛前与开发的关闭线相匹配的市场优势和总优势仅因市场看到的新鲜度数据而落后，我们无法看到 -- 一个有界限的差距，而不是模型缺陷。最锐利的预测器将比赛前的智能先验与实现的状态融合在一起。我们从不声称有美元优势，ROI或超越关闭线。 --- ## 几分钟内运行 精简安装 -- 预测器只需要一个小型科学Python表面（numpy，pandas，pyarrow，scipy，scikit-learn）。不需要重型CV/网络/守护进程依赖项。 ```bash pip install -r requirements-predictor.txt # 或：pip install -e . -> cv-matchup / cv-predict / cv-live ``` ### 单一比赛 -- 单个JSON读取比赛前 + 比赛过程中 ```bash python -m scripts.platformkit.predict_matchup --sport nba --home BOS --away LAL \ --elapsed 0 --home-score 0 --away-score 0 ``` ```json { "sport": "nba", "home": "BOS", "away": "LAL", "edge_claimed": false, "framing": "比赛前与开发的关闭线相匹配（校准/锐度，不是优势）；比赛中添加实现的状态。没有美元优势。", "pregame": { "p_home_win": 0.605, "total_mean": 211.3, "margin_home": 3.0 }, "ingame": { "p_home_win": 0.5732, "pregame_p_home": 0.605, "proj_total": 211.3, "proj_margin_home": 4.4 } } ``` 将 `--sport` 替换为 `mlb`，`soccer`，`soccer_intl` 或 `tennis`。在新鲜克隆的60秒内，在已提交的固定装置上复制无泄漏的记分板： ```bash python -m scripts.platformkit.beat_the_close_scoreboard --corpus tests/fixtures/proof python -m scripts.platformkit.ingame_scoreboard --corpus tests/fixtures/proof ``` --- ## 为什么信任它 -- 严谨是产品 - **从构建中无泄漏。** 扩展窗口的 walk-forward 具有断言级别的每折泄漏防护，清除 + 禁运，以及截断不变性测试（时间T的功能在字节上与未来事件相同或不相同）。集群鲁棒的Diebold-Mariano显著性。关闭线是一个比较预测器，而不是模型输入。 - **诚实的空值是成功。** “因新鲜度而落后”，“在噪音内匹配”，“这个杠杆是一个测量的空值”，“这个重新校准过度拟合样本外 -> 延迟” -- 所有这些都明确说明。证明一个市场是有效的市场是一个头条结果，而不是被埋葬的。 - **它驳斥了自己的炒作。** 曾经指出市场跟随ROI伪影，Q4展望泄漏和L5代理上限误标为优势的相同工具被指向内部并退休。构建一个驳斥自己主张的工具是这里最强的信号。 - **在没有门的情況下，永远不会显示单位数。** 纸质执行堆栈的**绿灯门**根据七个预注册的标准评估每个通道（两个独立半部的样本大小，两半的盈利能力，CLV显著性，成本后单位，可信度 + 评估门诚实，超额胜率），并每天写出一个失败关闭的RED/AMBER/GREEN裁决 -- 诚实报告RED，从不通过的通道。填充价格与实际捕获的订单簿深度对抗（VWAP行走的对手方的报价阶梯，诚实的局部填充，`fill_quality: no_book`而不是当书籍过时时构造的填充），并且**卡住探测器**将一个沉默的结算停滞变成一个可见的警报，而不是一个未读的日志行（促使它的事件：63+个沉默的零结算刻度）。截至目前，所有通道都是红色或琥珀色 -- 门户诚实报告没有证明优势的特征，而不是一个需要掩盖的空白。完整说明：[docs/PAPER_TRADING_STACK.md](docs/PAPER_TRADING_STACK.md)。 **诚实真相来源：** 每个数字的出处 + 每个撤回的超额声明都记录在 **[docs/JOB_EVIDENCE_PACKET.md](docs/JOB_EVIDENCE_PACKET.md)** 中。开放的空白： **[docs/KNOWN_LIMITATIONS.md](docs/KNOWN_LIMITATIONS.md)**。我们从不声称有美元优势/ROI/超越关闭线/ CV预测护城河（今天在生产中的CV SHAP ~ 0）。 **查看收据，而不是声明。** 每个校准数字都以两种方式发布： - **[RECEIPTS.md](RECEIPTS.md)** -- 追加的，诚实门控的账本。每一行都从磁盘上的机器可读的工件中逐字复制（每行都引用路径，内容没有手打），裁决包括损失（`MARKET_SHARPER`，`UNDERPOWERED`）确切地被衡量。相同的账本渲染成一个可浏览的页面，实时在 **[neeljshah.github.io/court-vision/receipts.html](https://neeljshah.github.io/court-vision/receipts.html)** （静态快照，页面上显示的日期）。 - **证据页面** -- 每个声明系列，每个运行声明 -> 收据 -> 复制：[retraction-story](docs/evidence/retraction-story.md) （旗舰：反驳我的自己的头条数字的工具） - [ingame-conditioning](docs/evidence/ingame-conditioning.md) （一个衡量的校准胜利，市场损失明确说明） - [calibration-decomposition](docs/evidence/calibration-decomposition.md) （我自己的Brier差距与市场分成可靠性与分辨率，加上排名靠前的游戏状态列表，我的模型处理最差 -- 图表：[reliability](docs/img/reliability_model_vs_market.png)， [state-calibration heatmap](docs/img/state_calibration_heatmap.png)) - [devig-stack](docs/evidence/devig-stack.md) （四种devig方法；作为诚实的尺度的Shin-devigged关闭） - [leak-instruments](docs/evidence/leak-instruments.md) （行走前卫，截断不变性，多语料库门，运输门） - [agent-fleet-direction](docs/evidence/agent-fleet-direction.md) （在失败关闭门下的代理舰队方向） - [cv-pipeline](docs/evidence/cv-pipeline.md) （广播视频到法院坐标，具有未演示的列表）。 --- ## 起源 / NBA计算机视觉血统（工程历史，不是头条） 该平台从**CourtVision**，一个NBA广播视频CV流水线（YOLOv8n检测-> SIFT同源->卡尔曼+匈牙利跟踪-> OSNet重新识别-> EasyOCR-> EventDetector）发展而来，该流水线将原始广播转换为约0.10-0.13美元/完整游戏的法院坐标数据，在一个消费级GPU上。它是从哪里来验证机制 -- 但它是血统，而不是产品：衍生特征携带约0测量的预测值（SHAP〜0），不作为优势出售。完整审计账户：[docs/JOB_EVIDENCE_PACKET.md](docs/JOB_EVIDENCE_PACKET.md)第2节；CV内部：[docs/CV_TRACKING.md](docs/CV_TRACKING.md)。 --- ## 买家/审阅者文档 | 文档 | 涵盖内容 | |----------|----------------| | [docs/INDEX.md](docs/INDEX.md) | **完整地图** -- 每个文档，按角色和渠道阶段（从这里开始深入） | | [docs/BUILT_WITH_CLAUDE.md](docs/BUILT_WITH_CLAUDE.md) | 代理构建管道 -- Opus调度器 + Sonnet执行器在硬发货门下 | | [docs/GLOSSARY.md](docs/GLOSSARY.md) | 每个术语定义一次（CLV，泄漏，行走前，Shin devig，Brier，Kelly，...） | | [docs/INTELLIGENCE.md](docs/INTELLIGENCE.md) | 深度智能语料库索引 -- 每个边缘，来源和杠杆的大脑地图 | | [docs/PREDICTOR_PLATFORM.md](docs/PREDICTOR_PLATFORM.md) | 完整平台：论文，记分卡，架构，为什么出售 | | [docs/PROOFS.md](docs/PROOFS.md) | 可证明性索引 -- 每个声明 -> 可运行的无泄漏证明 | | [docs/JOB_EVIDENCE_PACKET.md](docs/JOB_EVIDENCE_PACKET.md) | 单一诚实真相来源 -- 每个数字 + 不声明列表 | | [docs/PRODUCT_DEMO.md](docs/PRODUCT_DEMO.md) | 15分钟演示路径 -- 系统健康，实时预测，带有收据的oracle查询，组合板，诚实账本 | | [docs/KNOWN_LIMITATIONS.md](docs/KNOWN_LIMITATIONS.md) | 开放的空白和尚未证明的内容 | | [docs/PLATFORM.md](docs/PLATFORM.md) | 内核+适配器多体育架构方向 | --- ## 技术栈 **机器学习/数据：** Python，NumPy，pandas，pyarrow，scipy，scikit-learn（Isotonic + Platt + NNLS），XGBoost，LightGBM。 **量化/验证：** 行走前CV（季节/时代清除），Shin（1992）devig，每个统计数据等距/温度重新校准，NegBinom离散校准，多语料库校准验收门，集群鲁棒Diebold-Mariano，截断不变性泄漏测试，CLV账本。 **计算机视觉血统：** YOLOv8n，OpenCV，SIFT同源，OSNet重新识别，EasyOCR。 **实时捕获：** MLB GUMBO `feed/live` diffPatch轮询器，10秒间隔，只要有比赛正在进行（5秒礼貌底线）；一个订单簿**填充模拟器** VWAP行走捕获的Kalshi深度阶梯，因此纸质填充价格与真实流动性对抗，而不是快照中间价。 **服务：** FastAPI，uvicorn，SSE，parquet特征存储，计算一次的快照服务。 **AI代理：** Claude Code -- Opus调度器+并行Sonnet/Opus执行器在硬发货门下（此代码库，包括约100个文件智能语料库，是由该管道在人类指导下构建的）。运行时是**无Claude** -- 经典模型+确定性自我改进环路，预测路径上没有LLM。 **构建工具本身是活跃的：** 一个自主的探测计划-生成门-合并环路（`scripts/platform_harness/`）正在进行63.9％的当前积压任务（53/83任务）无需人类点击“继续”。完整账户： [docs/BUILT_WITH_CLAUDE.md](docs/BUILT_WITH_CLAUDE.md) - [docs/PLATFORM_HARNESS.md](docs/PLATFORM_HARNESS.md). --- ## 联系方式 单独构建（人类指导的代理管道）。适用于高级机器学习/数据/量化/基础工程师角色。 - **从这里开始：** [docs/JOB_EVIDENCE_PACKET.md](docs/JOB_EVIDENCE_PACKET.md) -- 诚实，审计过的账户 - **简历（PDF）：** [docs/assets/NeelShahResume.pdf](docs/assets/NeelShahResume.pdf) - **投资组合：** [neelshahportfolio.netlify.app](https://neelshahportfolio.netlify.app) - **电子邮件：** [neeljshah22@gmail.com](mailto:neeljshah22@gmail.com) *所有README中的预测数字均为校准/锐度（Brier/RMSE/ECE），而非美元优势。候选属性优势按证据等级划分（假设->校准证明-> CLV证明），仅通过前向CLV证明，而非断言。单一诚实真相来源是 [docs/JOB_EVIDENCE_PACKET.md](docs/JOB_EVIDENCE_PACKET.md)；撤回/膨胀的数字仅在那里和 [docs/KNOWN_LIMITATIONS.md](docs/KNOWN_LIMITATIONS.md) 中以明确的撤回上下文出现，而不在此处。*