Regime Lab

Sharpe ratio เดียวซ่อนความจริงที่ว่า edges ส่วนใหญ่เป็น conditional: ดีเยี่ยมในตลาด ที่ calm, trending และตายใน turbulence (หรือกลับกัน) Regime Lab ทำลาย history ของ strategy เป็น volatility regimes และแสดงว่ามันทำได้ดีแค่ไหนในแต่ละ regime — ดังนั้นคุณรู้ เมื่อไหร่ edge ของคุณทำงานจริงๆ

เปิด cBots → Regime Lab (/quant/regimes)

สิ่งที่มันทำ

กำหนด return series (หรือ equity curve, เก่าสุดก่อน), มัน:

• compute trailing realized volatility ที่แต่ละจุดและแยก history เป็น Calm, Normal และ Turbulent regimes โดย terciles ของ volatility นั้น
• รายงาน per-regime performance — observations, mean return, volatility และ Sharpe — ดังนั้นคุณเห็นว่า edge อยู่ที่ไหน
• ประมาณ Hurst exponent ผ่าน rescaled-range (R/S) analysis: เหนือ ~0.55 series เป็น trending / persistent, ต่ำกว่า ~0.45 มันเป็น mean-reverting, และรอบๆ 0.5 มันใกล้ random walk

POST /api/quant/regimes
{ "returns": [...], "window": 10 }   // หรือ { "equity": [...] }

ทำไมมันถึงเชื่อถือได้

มันเป็น pure, deterministic domain code (Core.Regimes) ไม่มี infrastructure dependency และไม่มี external calls — unit-tested สำหรับ regime separation (calm vs turbulent volatility) และสำหรับ Hurst direction (anti-persistent series score ต่ำกว่า 0.5, persistent trend scores เหนือ) regime signal เดียวกัน feed autonomous agents' reflection loop ดังนั้น agent สามารถ lean เข้าสู่ regimes ที่ edge ของมันเป็นจริง