进阶统计建模、因果与网络探索（advanced-modeling-causal-network）

功能定位

S5 · 望远镜（P3 攻坚层）。在 S1~S4 确认随机性的基础上，用四类前沿方法做能力边界拓展——严谨探测序列中是否残留微弱结构，并论证其是否可预测。本技能是"攻坚"而非"必需"：不替代 S1~S4 的判断，投入产出需审慎。

【触发关键词】 长记忆检验、ARFIMA、波动聚集、GARCH、LSTM预测开奖、Transformer序列、GNN号码共现、贝叶斯后验、Dirichlet多项分布、校准检验、DAG因果、冷热号有无因果、共现网络拓扑、小世界网络、可预测性论证

适用场景

• 探测开奖序列是否残留「长记忆」「波动聚集」「非线性结构」；
• 用 LSTM/Transformer/GNN 探索序列依赖与号码共现结构（全程样本外验证）；
• 为号码概率/策略胜率构建后验分布、动态更新并量化不确定性；
• 用 DAG 严谨论证「号码冷热与下次出现无因果」、分析号码共现网络拓扑。

输入（参数表）

| 参数 | 必填 | 说明 | |------|------|------| | 特征矩阵 | 是 | S1 产出的三层特征矩阵 | | S2 结论 | 是 | 随机性判定结论（作为先验与对照） | | S3 验证框架 | 是 | 样本外验证与随机基线框架（判定工具，只调用不重做） | | 模型范围 | 否 | 指定攻坚方法（时序/深度学习/贝叶斯/因果网络） |

处理流程

1. 时间序列预检：ACF + Ljung-Box 预检 → GARCH 波动聚集建模 → 长记忆（ARFIMA）参数估计。
2. 深度学习：LSTM/Transformer「历史窗口→下一期」监督任务、GNN 号码共现网络——全程与"均匀随机猜测"基线对比并报告样本外表现。
3. 贝叶斯：Dirichlet-多项共轭后验更新、先验敏感性分析、校准检验、模型比较。
4. 因果/网络：DAG 论证「冷热 vs 下次出现」无因果；共现网络聚类系数/小世界拓扑与配置模型/随机图严格对比。
5. 汇总：输出「是否可预测」的严谨结论，诚实报告负结果。

输出与验收

• 输出：各类建模实验报告（含是否超越随机的结论）+ 因果/网络专题报告。
• 验收清单：✅ 所有模型与均匀随机猜测基线对比并报告样本外表现；✅ 严格正则化 + 交叉验证；✅ 贝叶斯后验做校准检验；✅ 网络指标与配置模型/随机图严格对比；✅ 诚实报告「未超越随机」的负结果。

职责边界（不做什么）

• ❌ 数据与特征来自 S1、随机性判定来自 S2、样本外判决来自 S3——只调用不重做；
• ❌ 本技能属 P3「攻坚层」，非常规必需，不替代 S1~S4 的既有判断；
• ❌ 不以"发现可预测规律"为前提预设——允许并鼓励得出"不可预测"结论。

红线与合规

• 复杂模型 ≠ 有效模型：一切以样本外与随机基线为准；
• 禁止用测试集调参（数据窥探），测试集只允许使用一次；
• 攻坚结论如为"未超越随机"，须如实作为主要结论输出。