Sparse-Truth Nowcast

用稀疏真值锚点 + 高频代理恢复潜在连续曲线。ARR nowcast 是样例，不是唯一域。

问题形式

Y(t)  = 稀疏散点真值（爆料 ARR、官方 GDP…）
X_i(t)= 高频代理（下载、token、评分、支付面板…）
目标  = nowcast Ŷ(t)（锚点之间 / 之后），附 CI；不是长期 forecast

六条铁律

代理 ≠ 测量
先按机制分层：获客/装机（下载、新增 logo）多定截距/容量；消耗（token、账单、活跃用量）多定斜率。不要把所有 X 当同质观测平均。
代理–真相关系是时变有偏的
R = Y/X 常随变现深化上升。锚点后 flat 外推 R 是结构性简化，会在代理饱和、回落或切片噪声时主动扭曲 Ŷ。
模型复杂度由锚点数量决定，不是由代理点数决定
十来个锚点 → ratio-bridge / 低维状态空间。锚点没到几百，别上重型 ML。
验证只能 walk-forward + 时间戳预测台账
in-sample 几乎不可证伪。真正考核 = 预测下次锚点，落地后再打分。
CI 是交付物
点估计可以保守；区间必须有依据（状态方差 / 跨信号离散度），并随距锚点变宽。
nowcast ≠ forecast
只桥接到「现在」；多步外推要显式标 extrapolated + 假设驱动。

默认方法组合（ARR 实证后的推荐）

| 层 | 方法 | 角色 | |---|---|---| | 点估计 | ratio-bridge ensemble（log-R 锚点间插值；锚点后默认 flat，或对获客代理做温和 drift） | 主情景 | | CI + 动量旁注 | local-linear-trend Kalman（+RTS 平滑） | 不替点估计 | | 样本外 | append-only prediction log（+1mo / +3mo / next_leak） | 真 track record |

为什么 Kalman 不直接出点估计（ARR 回测）：LLT 对凸加速序列系统性负偏（约 −20% signed bias）；点 MAPE 略输 ratio-bridge，但 CI 校准更好。故 Kalman = CI + upside/动量情景。

诊断 live「掉头」的标准动作

拉当期 by_signal（每条代理单独 Ŷ_i），先看谁在拖、谁在顶——禁止先验定罪。
核对末锚点日期/口径/provider（官方 vs yipit）。
查可疑代理原始序列（周频异常、平台份额跳变、采集缺口）。
沙箱 A/B：Baseline vs「获客+ R 动量」vs「消耗定斜率」vs Kalman；不改生产。
若消耗切片与获客方向剧烈背离 → 降权该切片进点估计，加宽 CI，记入 caveats；等下一锚点裁决。

2026-08-03 Anthropic 实证（纠正）

线上 live ≈ $68–69B；月度 Jul $74 → Aug $69。
by_signal Aug：npm/pypi ≈ $82–85B，openrouter ≈ $45B。
拖累方是 OpenRouter Anthropic token 切片（约 7/13→7/27 回落），不是下载。
「token 单独定斜率」会把点估计砸到 ~$46B（放大平台噪声）；「下载 + logR 动量」给出 ~$100B 乐观参考。
生产暂不动；框架铁律仍成立，但「谁有罪」以当期 by_signal 为准。

沙箱入口（本机）

# 只读对照线上
curl -sS -o /tmp/nowcast_proxy.json \
  https://thesismethod.com/research-os/data/anthropic_nowcast.json

# 本地沙箱（不部署）
python3 ~/anthropic-nowcast-v1/_sandbox_2026-08-03/sandbox_experiment.py
open ~/anthropic-nowcast-v1/_sandbox_2026-08-03/arr_nowcast_sandbox.html

代码权威：~/anthropic-nowcast-v1/（_integrated = 部署候选镜像；线上在服务器 ~/thesismethod/scripts/anthropic-nowcast/）。
记忆：~/.cursor/memory/anthropic-arr-nowcast-tracker.md。

明确不要做的事

未做沙箱 A/B 就改线上权重 / 外推规则 / timer。
用 Kalman 点估计替换 ratio-bridge（除非新 walk-forward + OOS 台账证明反转）。
把 OpenRouter 小切面当成「真实总消耗」。
在锚点稀少时引入黑盒 ML 并宣传 accuracy。