沙盘演绎 · Scenario Oracle

Scenario Oracle（沙盘演绎）是 War Monitor 的情景推演引擎，核心解决一个问题：在信息高度不确定的地缘冲突中，如何将"观点"转化为可量化的概率分布和资产影响评估？

传统地缘分析的痛点：

• 单一视角偏差：分析师往往只从一个国家立场出发，忽略博弈各方的反应函数
• 锚定效应：一旦形成初始判断，后续信息被选择性吸收
• 概率模糊：报告充满"可能""或许""不排除"，无法直接转化为仓位决策
• 资产脱节：地缘判断与投资组合之间缺乏定量传导链

Scenario Oracle 的解法：用 6个国家视角Agent 进行 5轮渐进式辩论，每轮看到前一轮所有其他国家的立场后修正自己的判断，最终输出 概率加权的情景分布（基准/恶化/改善）和 6类资产影响评分。

一句话定位：这是War Monitor的"前瞻引擎"——GSI告诉你现在的局势温度，Scenario Oracle告诉你接下来可能怎么走。

完整流水线：

┌─────────────────────────────────────────────────────────────────┐
│  数据采集层                                                       │
│  ├── War Monitor sentinel.db    → GSI指数 + 官员发言 + 异常告警    │
│  ├── AlphaEngine pipeline JSONs → 市场数据 + 资产价格              │
│  └── Chronicle chronicle.db     → 华尔街见闻中文新闻情报            │
├─────────────────────────────────────────────────────────────────┤
│  Agent辩论层（核心）                                               │
│  6 Agents × 5 Rounds × 4 Horizons = 120 次 LLM 推理              │
│  每轮: Agent接收 context + 前轮所有Agent立场 → 输出情景+概率+资产影响 │
│  轮次间: 渐进式上下文积累（MiroFish方法论）                         │
├─────────────────────────────────────────────────────────────────┤
│  综合层                                                           │
│  ├── Prob-Weighted Score 概率加权得分                               │
│  ├── Asset Cascade 资产传导分析（统计回测）                         │
│  └── Consensus Detection 共识度检测                                │
├─────────────────────────────────────────────────────────────────┤
│  输出层                                                           │
│  ├── scenario_oracle.json   → AlphaEngine 信号                    │
│  ├── scenario_briefing.html → 本简报                               │
│  └── Telegram / Email push  → 每日推送                             │
└─────────────────────────────────────────────────────────────────┘

执行周期：每日一次（pipeline之前），约需5-8分钟完成全部120次推理。

四个时间窗口：

灵感来源于 MiroFish 多Agent推理框架，核心思想：让多个具有不同立场和信息偏好的Agent进行多轮辩论，通过渐进式上下文积累逼近更准确的概率估计。

与传统方法的区别：

渐进式上下文积累的关键机制：

• 第1轮：每个Agent只看到当前事实（GSI、市场数据、新闻），独立给出基础判断
• 第2轮：每个Agent看到第1轮所有6个Agent的立场摘要，开始交叉反应
• 第3-4轮：信息积累越来越充分，Agent开始识别分歧点、形成联盟、修正极端立场
• 第5轮：所有信息充分消化，输出最终判断——此轮权重最高（30%）

为什么后轮权重更高？信息经济学中的 "Bayesian updating" 原理——在更充分的信息条件下形成的后验概率比先验更可靠。

Agent选择遵循博弈论完备性原则：覆盖冲突的所有关键利益方，确保没有重要反应函数被遗漏。

权重设计逻辑：

• 美国拆分为鹰鸽两派（各20%）：美国内部政策辩论是冲突走向的最大变量，鹰鸽路线差异可导致完全相反的情景概率
• 伊朗（20%）：作为冲突当事方，其底线判断直接决定升级/降级路径
• 以色列（15%）：独立军事行动能力（Begin Doctrine），可单方面改变博弈结构
• 俄罗斯（12%）：能源利益方+联合国否决权，间接但重要的影响力
• 海湾国家（13%）：霍尔木兹直接利益方+斡旋渠道（阿曼），航运恢复的关键变量

核心公式：

计算示例（1M时间窗口）：

如何阅读趋势线：

• 趋势走势图展示过去多天的Prob-Weighted Score变化，每条线代表一个时间窗口
• Score > +0.3（绿色）：地缘环境偏向改善，风险资产有配置窗口
• Score 在 -0.3 ~ +0.3（黄色）：中性区间，维持现有仓位
• Score < -0.3（红色）：地缘环境恶化，减仓风险资产、增配避险
• 趋势方向比绝对值更重要：Score从-0.5向-0.3收敛 = 边际改善信号，即使绝对值仍为负

共识度（Consensus）：

• HIGH：6个Agent对主要情景概率分布高度一致（标准差小），信号可信度高
• MODERATE：存在适度分歧，信号仍有参考价值但需关注分歧来源
• LOW：Agent间严重分歧（如美国鹰派判断恶化60%，鸽派判断改善50%），信号噪音大，建议等待

核心问题：地缘事件如何从原油市场传导到其他资产类别？传导有多快？幅度多大？

方法论：基于过去 30 天历史数据的统计回测，分析WTI原油价格变动对6类资产的领先-滞后关系。

传导逻辑（Oil → Bonds → Stocks三级火箭）：

1. 第一级：原油冲击（0天）
   地缘事件 → 霍尔木兹航运风险 → WTI/Brent价格跳升 → OVX飙升
2. 第二级：债券反应（1-2天滞后）
   油价上涨 → 通胀预期上升 → 实际利率预期调整 → 美债收益率变动 → 金价反应（避险需求）
3. 第三级：权益传导（2-3天滞后）
   油价+利率双重冲击 → 企业成本上升+估值压力 → 美股/港A股调整 → VIX上升

表格字段说明：

前瞻预测触发条件：当WTI近期累计变动超过 3% 时，系统基于回归模型自动生成各资产的前瞻预测（预期变动幅度+预期时间）。仅展示统计显著（p<0.05）的预测。

使用建议：资产传导分析提供"如果油价继续朝这个方向走，哪些资产会跟着动"的定量框架。不是交易信号，而是风险预判工具——提前1-3天知道冲击波到哪了。

Scenario Oracle 整合了 Chronicle 数据库（12万+篇华尔街见闻文章，2017至今）作为中文新闻情报源。

工作方式：

• 每次运行时，查询过去 24 小时内与地缘冲突相关的中文新闻
• 搜索关键词覆盖两个维度：
  • 地缘关键词：伊朗、中东局势、霍尔木兹、美伊、以色列、原油制裁、核协议、地缘风险
  • 市场关键词：油价、原油期货、避险、VIX、黄金避险、中东溢价、航运保险
• 提取最新文章标题、时间、情绪倾向，作为Agent辩论的输入上下文之一

为什么需要中文新闻？

• 英文媒体（Reuters/AP）报道存在12-24小时延迟，华尔街见闻的快讯通常领先
• 中文财经媒体对亚洲交易时段的市场反应更敏感（港股/A股开盘前情绪）
• 部分中文独家渠道信息（如伊朗驻华大使表态）不会出现在英文媒体

情绪倾向（Sentiment Tilt）反映近期中文新闻的整体调性：鹰派（升级叙事主导）、鸽派（缓和叙事主导）、中性（无明确方向）。

Scenario Oracle 在 AlphaEngine 决策链中的位置：

具体使用方式：

1. 仓位规模决策

• 当1W和2W的Prob-Weighted Score同时 < -0.5 且共识度HIGH → 考虑减仓至Regime建议的下限
• 当1M的Score向正方向收敛（连续3天改善）→ 可以开始逐步加回风险敞口

2. 资产配置调整

• 资产传导分析显示Oil → Bonds有显著传导 → 提前调整久期敞口
• 恶化情景概率 > 40% → 增配黄金/VIX对冲
• 改善情景概率 > 35% → 关注前期超跌的能源股反弹机会

3. 事件驱动交易

• 关注各情景的"催化剂"列表——这些是可以设置Watch的具体事件
• 当催化剂实际发生时，对应情景的概率会急剧上升，提前布局获得信息优势

4. 与其他信号的交叉验证

• Scenario Oracle说恶化 + GSI下行 + OVX/VIX进入Q2象限 → 三重确认，高信度避险信号
• Scenario Oracle说改善但GSI仍在低位 → 市场尚未反映改善预期，可能是布局窗口

重要：Scenario Oracle是决策参考工具，不是交易信号生成器。最终决策权始终在CIO。

必须了解的局限：

1. LLM固有局限

• Agent基于语言模型，不具备真正的战略推理能力——是"受过训练的pattern matching"，不是Henry Kissinger
• 训练数据截止日意味着对最新事件的理解依赖输入上下文，而非真正的知识
• 概率校准（calibration）未经严格验证——Agent说"30%概率"不等于真实30%

2. 情景空间不完备

• 只有3个情景（基准/恶化/改善），真实世界可能走出第4种路径（如"持久冻结冲突"）
• 黑天鹅事件（暗杀、政变、自然灾害）超出模型推理范围

3. 数据依赖

• RSS新闻源有12-24小时延迟，不适合捕捉突发事件（Telegram实时告警弥补这一缺口）
• Polymarket流动性有限，极端概率（<5%或>95%）的信号噪音大
• 华尔街见闻文章质量参差不齐，情绪倾向可能受编辑立场影响

4. 回测局限

• 系统于2026年4月上线，历史验证数据有限
• 资产传导模型基于近30天数据，样本量较小，统计显著性需谨慎解读
• 地缘事件本质上是低频高影响（rare events），样本外泛化能力不确定

最佳实践：将Scenario Oracle视为"结构化思考工具"而非"预测机器"——它的价值在于强制你从6个角度思考问题，而不是给你一个精确的数字。