F
正问题
已知过程，计算结果
给定机制、初始状态与演化规则，向前模拟它可能产生的观测。
数学提出问题，证据约束答案。
这里展开首页背后的研究语言。图形用于解释概念与方法，不展示实时交易或业绩。
正问题 ↔ 反问题
结果可见，机制隐藏。
AI 学习与量化推断都从已知结果向后推演：AI 从数据学习模型，量化从价格、成交量、订单流与上下文反推候选市场机制。缺少约束时，答案通常不唯一，也不稳定。
y = F(θ, x₀) + ε
多个机制可能留下同一个市场足迹。
F⁻¹
反问题
已知结果，推断过程
从记录下来的行情带出发，恢复能够解释它的候选潜在状态、算子或机制。
λ
正则化
纪律让推断变得可用
时点数据、简洁性、交易成本、恶劣市场状态与前向证据，共同约束那些同样能够拟合历史的解释。
PDE/ODE、状态空间、随机过程和神经网络，都可以定义候选的正向算子；但它们不证明市场服从某一条方程，每一种都仍是待检验的假设。
信号会学习。风控不容形变。
带学习联络的纤维丛。底流形是市场，纤维是特征空间，联络——信号如何被输运——由学习得到。丛上只有一条截面永远不许形变：否决权。
市场状态让流形形变，不变量存续。
度量一切。
执行研究关注从决策到成交的全过程：等待时间、滑点、市场冲击，以及平均值容易掩盖的尾部行为。
方法示意 · 图形使用模拟数据，不代表实测分布或覆盖率。
延迟分布
滑点分布
证据覆盖
决策至成交关联记录
尾部行为异常分析
场所上下文市场与时段
回放状态假设与输入
市场跨越边界。智能也是。
一张横跨美国与香港、贯穿不同时段的研究网络——当一个市场休眠，系统从另一个市场继续学习。
纽约 / 信号原点
美国市场结构、执行研究与长短周期智能。
香港 / 时段记忆
亚洲时段上下文、跨市场假设，以及一个行为结构不同的实验场。
统一的研究视图
将不同市场与时段的记录整理成可比较的研究输入。