खुलने से पहले सील किया गया: वित्तीय बाजारों की AI पूर्वानुमानों को मापने के लिए एक सत्यापनीय मानक

यह पत्र डाउनलोड करें

• SSRN (पसंदीदा उद्धरण): ssrn.com/abstract=7653679 · DOI 10.2139/ssrn.7653679
• Zenodo (संग्रहीत, खुली पहुँच): doi.org/10.5281/zenodo.23552697
• OSF (अनुभाग 8 की पंजीकृत भविष्यवाणियाँ): doi.org/10.17605/OSF.IO/9Q86N
• GitHub (पूर्ण पाठ और परिशिष्ट B के सत्यापन आदेश): https://github.com/vadimchernets/papers/tree/main/sealed-before-the-open
• Analysis release (यह संस्करण जो फ़ाइलें पढ़ता है, जमे हुए, SHA-256 मैनिफेस्ट के साथ): doi.org/10.5281/zenodo.23552700
• Live league और open data (CC BY 4.0): trends.polyhelper.ai/markets/ · trends.polyhelper.ai/api/v1/

तीन चरणों में एक सील जाँचें (परिशिष्ट B): किताब और 20 अक्टूबर की मुहर डाउनलोड करें, मुहर लगे उपसर्ग को हैश करें, एंकर को सत्यापित करें।

curl -sO https://trends.polyhelper.ai/api/v1/council-book.jsonl
curl -sO https://trends.polyhelper.ai/markets/proof/2026-10-20/130025Z.txt
curl -sO https://trends.polyhelper.ai/markets/proof/2026-10-20/130025Z.txt.ots
head -n 159 council-book.jsonl | shasum -a 256   # 59673b9e...a7d9, as in 130025Z.txt
ots verify 130025Z.txt.ots                       # Bitcoin block 972,334

Bitcoin नोड के बिना, ots info 130025Z.txt.ots ब्लॉक 972,334 के लिए प्रमाणपत्र दिखाता है, जिसका Merkle root कोई भी ब्लॉक एक्सप्लोरर दिखाता है (परिशिष्ट B, चरण 6)। चरण 10 Sigstore Rekor लॉग में स्टैम्प की जाँच करता है।

SSRN प्रीप्रिंट को उद्धृत करें। स्कोर किए गए सत्र 20 अक्टूबर 2026 को पढ़े जाते हैं, 21 अक्टूबर 2026 को 02:42 और 05:33 UTC के बीच उत्पन्न खुली फ़ाइलों से। 21 अक्टूबर 2026 का पहला गिना गया रन, 22:16 UTC पर उत्पन्न फ़ाइलों से पढ़ा जाता है। तालिका 5 21 अक्टूबर 2026 को 15:05 UTC पर अनुरूपता स्थिति देती है, आवश्यकता 1 की अनुरूपता जाँच 22:33 UTC पर और आवश्यकता 3 की Rekor प्रविष्टि 22 अक्टूबर 2026 को 00:00:16 UTC पर।

कीवर्ड: AI पूर्वानुमान; बड़े भाषा मॉडल; वित्तीय बाजार; पूर्वानुमान मूल्यांकन; Brier अंक; अंशांकन; आगे की ओर देखने का पूर्वाग्रह; विश्वसनीय टाइमस्टैम्पिंग; OpenTimestamps; स्वतंत्र आवाजों की प्रभावी संख्या; भविष्यवाणी बाजार; पंजीकृत भविष्यवाणियाँ

JEL: G17; C53; C52; G14; D84

सारांश

जब एक AI मॉडल कहता है कि सोना बढ़ेगा, तो एक पाठक बंदी पर उस कॉल को स्कोर कर सकता है लेकिन आमतौर पर यह जांच नहीं सकता कि इसे कब बनाया गया था। एक बैकटेस्ट स्मृति को कौशल के साथ मिलाता है, और एक ट्रेडिंग सीजन बाजार के माध्यम से एक मार्ग है। मैं AI वित्तीय बाजार पूर्वानुमान को मापने के लिए क्रमांकित आवश्यकताओं का एक मानक प्रस्तावित करता हूं और इसके संदर्भ कार्यान्वयन, PolyHelper द्वारा संचालित खुली लीग AI Council · Markets, को प्रति आवश्यकता प्रकाशित स्थिति के साथ प्रलेखित करता हूं। चौदह बड़े भाषा मॉडल, अमेरिकी प्रयोगशालाओं से सात और चीनी प्रयोगशालाओं से सात, साझा मूल्य स्नैपशॉट पर एक ही प्रश्न का उत्तर देते हैं, प्रत्येक के अपने खाते के साथ। उनमें से ग्यारह प्रत्येक न्यूयॉर्क ओपन से पहले चार क्षितिज पर बारह संकेतकों का पूर्वानुमान लगाते हैं। प्रत्येक गणना किया गया उत्तर इसके संदर्भ मूल्य से पहले एक SHA-256 हैश चेन में सील किया जाता है और OpenTimestamps के माध्यम से Bitcoin में लंगर डाला जाता है। 21 अक्टूबर 2026 से गणना किए गए रन की पहले से घोषणा की जाती है, और स्वतंत्र RFC 3161 प्राधिकार प्रत्येक टाइम किए गए रिकॉर्ड पर हस्ताक्षर करते हैं, जो Sigstore Rekor पारदर्शिता लॉग में भी प्रवेश करता है। उस पहली गणना की गई सुबह हर गणना किए गए उत्तर पर 09:30 ET ओपन से पहले हस्ताक्षर किए गए थे, उनमें से आठ 29 मिनट पहले। पूछी गई घटना का Brier स्कोर 50% बेंचमार्क, जलवायु संबंधी आधार दर और भविष्यवाणी-बाजार मूल्यों के विरुद्ध सेट किया जाता है, और समझौता स्वतंत्र आवाजों की गणना के रूप में रिपोर्ट किया जाता है। 19 और 20 अक्टूबर की विकास सुबह में मॉडल की संभाव्यता चित्र लगभग 1.6 स्वतंत्र पूर्वानुमान के रूप में समान थे। 20 अक्टूबर को सबसे करीबी चार जोड़ियों में से तीन एक अमेरिकी और एक चीनी प्रयोगशाला में शामिल हुए। 23 AI पूर्वानुमान और ट्रेडिंग प्रयासों के दिनांकित मानचित्र के विरुद्ध, लीग वित्तीय संकेतकों पर पहली लाइव AI लीग है जो इन तत्वों को जोड़ती है। यह भी पहला AI बाजार क्षेत्र है जहां सात अमेरिकी और सात चीनी मॉडल एक प्रोटोकॉल के तहत व्यापार करते हैं, पाठकों के साथ एक बार, यादृच्छिक रूप से, मॉडल देखने से पहले या बाद में पूर्वानुमान के लिए असाइन किया जाता है। तीस दिनांकित भविष्यवाणियां, पोस्टिंग से पहले OSF पर पंजीकृत, दिनांकित संशोधनों में स्कोर की जाती हैं।

कार्यकारी सारांश

किसी कीमत का पूर्वानुमान कौशल का प्रमाण केवल तभी है जब पूर्वानुमानकर्ता को परिणाम ज्ञात न हो, पूर्वानुमान उससे पहले मौजूद हो, और जो पूर्वानुमान स्कोर किया जाता है वह वही हो जो मायने रखता है, चाहे दूसरे ने कुछ और कहा हो। AI मॉडल तीनों को चुनौती देते हैं: वे प्रशिक्षण में परिणाम पढ़ सकते हैं, सेकंड में दोबारा पूछे जा सकते हैं, और उनका रिकॉर्ड आमतौर पर जो पूछता है वह रखता है। मैंने प्रत्येक शर्त को एक आवश्यकता के रूप में लिखा जो एक पाठक जांच सकता है। AI Council · Markets, PolyHelper द्वारा संचालित, संदर्भ कार्यान्वयन है।

प्रत्येक प्रश्न एक ऐसे परिणाम से संबंधित है जो अभी आना बाकी है, जो इसे मॉडल की स्मृति से बाहर रखता है। एक बाजार एक परीक्षा है जो स्वयं को नवीनीकृत करता है: यह हर सुबह एक नया प्रश्न पूछता है और उसी दोपहर को उत्तर देता है, इसलिए कोई मॉडल उत्तर नहीं पढ़ सकता। दो पूर्वानुमान केवल तभी तुलना करते हैं जब वे एक ही चीज़ पर दांव लगाते हैं, और इकाई इसलिए एक ईवेंट अनुबंध है जो पहले से निर्धारित है। प्रत्येक उत्तर को खोलने की कीमत से पहले एक हैश चेन में सील किया जाता है जिससे वह स्कोर किया जाता है, क्योंकि एक पूर्वानुमान जिसने खोलने की चाल देख ली है वह एक अलग प्रश्न का उत्तर देता है। मैं नहीं चाहता था कि रिकॉर्ड इसके रक्षक पर विश्वास पर निर्भर हो, इसलिए चेन Bitcoin में निहित है और 21 अक्टूबर 2026 से स्वतंत्र समय-मोहर प्राधिकारियों द्वारा हस्ताक्षरित है। प्रति सत्र एक रन गिनता है। 21 अक्टूबर से वह नियम जो इसे चुनता है वह पहले से घोषित और सील किया जाता है, और अन्य रन प्रकाशित और लेबल किए जाते हैं।

स्कोर पूछे गए ईवेंट का Brier स्कोर है। यह एक उचित स्कोर है, इसलिए एक पूर्वानुमानकर्ता अपने विश्वास के अलावा कुछ और बताने से कुछ नहीं प्राप्त करता है। लीग इसे एक सिक्के, ईवेंट की आधार दर और भविष्य-बाजार की कीमतों के विरुद्ध पढ़ता है, कौशल के लिए तीन अलग-अलग मानदंड। सहसंबद्ध मॉडल अलग-अलग साक्षी नहीं हैं, और उनके बीच समझौता स्वतंत्र कंठों की संख्या के रूप में रिपोर्ट किया जाता है। सात अमेरिकी और सात चीनी मॉडल प्रश्न, स्नैपशॉट, समयसीमा और नियम साझा करते हैं, इसलिए दोनों पक्षों के बीच कोई भी अंतर एक कार्य पर मापा जाता है। पाठकों को एक बार यादृच्छिक किया जाता है, मॉडल को पूर्वानुमान से पहले या बाद में देखने के लिए, और उस समूह में रहते हैं। वे मापते हैं कि क्या मॉडल लोगों की मदद करते हैं या केवल उन्हें साथ खींचते हैं (F28, F29)।

दोनों विकास सुबह ये दिखाते हैं कि ये उपाय क्या पढ़ते हैं। एक दिन के क्षितिज पर खुल जाने से पहले सील किए गए मॉडल की संभाव्यता चित्र दो से कम स्वतंत्र पूर्वानुमानकर्ताओं के समान थे। वे छह महीने में सबसे अधिक निर्णायक थे, जहां उनके पूर्वानुमान अंतिम रूप से समाप्त होते हैं, और 20 अक्टूबर को सबसे निकट चार जोड़ियों में से तीन एक अमेरिकी और एक चीनी प्रयोगशाला में शामिल हुए। एक प्राथमिक परीक्षा और तीस भविष्यवाणियां, पोस्ट करने से पहले OSF पर पंजीकृत, खुले डेटा और कोड पर दिनांकित संशोधनों में स्कोर की जाती हैं।

1. परिचय

सोमवार की सुबह एक व्यक्ति एक AI मॉडल से पूछता है कि सोना खरीदना चाहिए या नहीं। मॉडल हाँ कहता है, कुछ आत्मविश्वास के साथ, और एक कारण देता है। दिन के अंत तक सोना गिर गया है। क्या मॉडल गलत था, या भाग्यहीन था, या यह उन कई जवाबों में से एक था जो उसने उस सुबह दिए थे? क्या जवाब 09:00 पर मौजूद था, या दोपहर में लिखा गया था? व्यक्ति बता नहीं सकता। धारा 7 में समीक्षा किए गए अधिकांश मूल्यांकनों में, एक पूर्वानुमान का समय ऑपरेटर के रिकॉर्ड पर निर्भर करता है। मैं जो लीग यहाँ वर्णित करता हूँ वह उस रिकॉर्ड को ऑपरेटर के बाहर रखता है। मंगलवार 20 अक्टूबर 2026 को, खुलने से पहले, आठ मॉडल ने सोना को Polymarket के दैनिक अनुबंध पर बंद होने के औसतन 45% मौका दिया, और उस अनुबंध पर भीड़ ने 29% की कीमत दी। दोनों संख्याएं 09:30 ET खुलने से पहले सील कर दी गई थीं, और कोई भी उन्हें वापस पढ़ सकता है (परिशिष्ट B)।

जो क्षेत्र मॉडल वास्तविक पैसे के साथ व्यापार करते हैं, वे 2025 में व्यापक ध्यान आकर्षित करते हैं (Forklog, 2025a, 2025b), और LLM पूर्वानुमान बेंचमार्क मुख्य मशीन-लर्निंग स्थलों तक पहुँचते हैं: ForecastBench at ICLR 2025 (Karger et al., 2025), FutureX (Zeng et al., 2025) और Prophet Arena (Yang et al., 2025) at ICLR 2026। व्यापार बेंचमार्क से पता चला कि अधिकांश एजेंट खरीद और होल्ड को हरा नहीं सकते (Y. Chen et al., 2025; Yu et al., 2025), और तरल भविष्यवाणी बाजारों पर एक मजबूत AI पूर्वानुमान प्रणाली अभी भी बाजार सहमति से पीछे थी जबकि दोनों का संयोजन दोनों को हरा गया (Alur et al., 2025)।

ये प्रयास एक निर्भरता साझा करते हैं: सबूत कि एक पूर्वानुमान इसके परिणाम से पहले आया था, जो भी मूल्यांकन चलाता है उसके द्वारा रखा जाता है। बैकटेस्ट इसे बिल्कुल नहीं दे सकते, क्योंकि मॉडल पहले से ही परिणाम को जान सकता है (Lopez-Lira et al., 2025; Paleka et al., 2026)। लाइव बेंचमार्क इसे ऑपरेटर के रिकॉर्ड के माध्यम से देते हैं, और Prophet Arena प्रत्येक पूर्वानुमान की एक salted SHA-256 सील जोड़ते हैं, वैकल्पिक हस्ताक्षरित प्राप्तियों के साथ, प्लेटफॉर्म की अपनी घड़ी द्वारा समय किया गया (Prophet Arena, 2026)। Foresight Arena Polymarket इवेंट्स की हैश की गई पूर्वानुमानें करता है, उनमें से कुछ संपत्ति की कीमतों पर, समय सीमा से पहले Polygon चेन में प्रतिबद्ध करता है और उन्हें बाजार मूल्य के विरुद्ध स्कोर करता है। इसका संशोधित संस्करण सिम्युलेटेड परिणाम रिपोर्ट करता है और लाइव वाले को स्थगित करता है (Nechepurenko & Shuvalov, 2026a)। Prediction Arena ने Kalshi और Polymarket पर सीमांत मॉडल्स को वास्तविक पूंजी दी और प्रतिबद्धता के बिना ऑपरेटर लॉग रखे (Zhang et al., 2026)। AI के बाहर, वित्तीय बुलबुलों के पूर्वानुमान 2010 तक देरी से प्रकटीकरण के साथ चेकसम द्वारा सील किए गए थे (Sornette et al., 2010), और, बाजारों के बाहर, एक AI की फुटबॉल संभावनाएं जुलाई 2026 से Bitcoin में लंगर डाली गई हैं (NeuPortal, 2026)। मुझे वित्तीय संकेतकों के एक निश्चित पैनल पर AI पूर्वानुमानों की कोई लाइव लीग नहीं मिली जो अपने रिकॉर्ड को ऑपरेटर के बाहर लंगर डालता है (धारा 7)। मेरा शोध प्रश्न यह है कि AI बाजार पूर्वानुमानों के मापन को क्या चाहिए ताकि एक पाठक ऑपरेटर के नियंत्रण से बाहर की एक घड़ी के विरुद्ध जाँच सके कि क्या पूर्वानुमान था, कब तक, और कौन सा पूर्वानुमान गिना गया।

मैं उस मापन के लिए एक मानक प्रस्तावित करता हूँ, MUST और SHOULD आवश्यकताओं की एक चेकलिस्ट के रूप में लिखा गया (धारा 3.13), और इसका एक कार्यान्वयन दस्तावेज़ करता हूँ, खुली लाइव लीग AI Council · Markets, PolyHelper द्वारा चलाई जाती है, trends.polyhelper.ai/markets पर। चौदह मॉडल, सात अमेरिकी और सात चीनी प्रयोगशालाओं से, एक ही प्रश्न, स्नैपशॉट और नियमों पर सिम्युलेटेड पोर्टफोलियो चलाते हैं, और उनमें से ग्यारह Council पर बैठते हैं और संभावनाएं देते हैं। प्रत्येक सुबह न्यूयॉर्क खुलने से पहले Council 12 वित्तीय संकेतकों का पूर्वानुमान लगाता है, स्टॉक इंडेक्स, दरों, डॉलर, अस्थिरता, वस्तुओं और Bitcoin में, चार क्षितिज से लेकर एक दिन से छह महीने तक। प्रत्येक जवाब एक हैश-श्रृंखलाबद्ध पुस्तक में सील किया जाता है जिसका सिर OpenTimestamps के माध्यम से Bitcoin में लंगर डाला जाता है। प्रत्येक जवाब को इसकी सील के बाद पहली कीमत से स्कोर किया जाता है, और पुस्तक स्कोरिंग कोड और डेटा के साथ प्रकाशित की जाती है। 21 अक्टूबर 2026 से स्वतंत्र RFC 3161 समय-मुहर लगाने वाले प्राधिकार प्रत्येक मुहर लगाए गए रिकॉर्ड पर भी हस्ताक्षर करते हैं, इसलिए एक पाठक ऑपरेटर के नियंत्रण से बाहर की घड़ियों के विरुद्ध जाँच सकता है कि गिने हुए जवाब उस खुली कीमत से पहले मौजूद थे जिस से वे स्कोर किए जाते हैं (धारा 3.2)। सील किया गया रिकॉर्ड वित्त के लिए एक नई तरह का खुला डेटा भी है: कई AI मॉडल्स से एक ही इवेंट्स पर संभावनाओं का एक दैनिक पैनल, खुलने से पहले निश्चित, जिस पर उनकी असहमति और इसका मान मापा जा सकता है।

इवेंट अनुबंध एक स्कीमा के रूप में प्रकाशित किया जाता है जिसमें एक चेकर होता है जो कोई भी अन्य लीग अपनी फाइलों पर चला सकता है (धारा 3.13)। मैं जो योगदान देता हूँ वह मानक और एक कार्यान्वयन है जो एक पाठक जाँच सकता है। पहले सत्र उस डेटा को दिखाते हैं जो वह उत्पन्न करता है, और धारा 8 के पंजीकृत परीक्षण कौशल का फैसला करते हैं। धारा 3 मानक बताता है और धारा 4 एक लाइव बाजार सेटिंग के लिए स्कोरिंग डिज़ाइन बताता है। धारा 5 लाइव डेटा पर स्वतंत्र आवाजों की प्रभावी संख्या मापता है, धारा 6 AI से पहले मनुष्यों के लिए एक डिज़ाइन स्थापित करता है, और धारा 7 AI बाजार क्षेत्रों का एक तारीख़ वाला नक्शा तैयार करता है। धारा 8 पंजीकृत पूर्वानुमान रखता है, धारा 9 सबसे मजबूत आपत्तियाँ और उस नियम को रखता है जो प्रत्येक का जवाब देता है, और धारा 10 प्रत्येक दावे की पहुँच रखता है। धारा 7.4 बताता है कि क्या नया है, तीन दावों में और तीन आगे डिज़ाइन में समीक्षा की गई AI बाजार क्षेत्रों में पहले, और लीग क्या पर बनाता है, प्रत्येक के साथ इसका निकटतम पूर्ववृत्ति। परिशिष्ट E कक्ष दर कक्ष साक्ष्य देता है।

2. दूरदर्शिता AI बाजार पूर्वानुमान को क्यों विफल करती है

मानव पूर्वानुमान टूर्नामेंट कार्यकारी सारांश की तीन शर्तों को पंजीकरण समय सीमा और एक विश्वस्त आयोजक के साथ रक्षित करते हैं। AI मॉडल प्रत्येक रक्षा को पार कर जाते हैं। एक मॉडल प्रशिक्षण से परिणाम जान सकता है, इसे एक मिनट में कई बार पूछा जा सकता है, और यह रिकॉर्ड कि इसने क्या कहा, आमतौर पर जो व्यक्ति पूछता है उसके द्वारा रखा जाता है। पहले तीन उप-अनुभाग इन्हें बारी-बारी से लेते हैं, और चौथा समझाता है कि एक व्यापार मौसम पूर्वानुमान रिकॉर्ड के स्थान पर क्यों नहीं खड़ा हो सकता।

2.1 एक मॉडल क्या याद करता है

वित्तीय पूर्वानुमान पर एक AI मॉडल का सस्ता मूल्यांकन एक बैकटेस्ट है, लेकिन मॉडल के प्रशिक्षण डेटा में पहले से ही अगला क्या हुआ यह हो सकता है। Lopez-Lira et al. (2025) ने दिखाया कि बड़े भाषा मॉडल अपने प्रशिक्षण कटऑफ से पहले मैक्रोइकॉनोमिक और वित्तीय श्रृंखला के सटीक मान याद करते हैं, कि बाद के ज्ञान का उपयोग न करने का निर्देश याद को दूर नहीं करता है, और कि कटऑफ के बाद याद रुक जाती है: प्रशिक्षण विंडो के भीतर, कौशल और स्मृति को पहचाना नहीं जा सकता।

Gao et al. (2025) ने देखने में आगे की पूर्वाग्रह के लिए एक परीक्षा तैयार की, lookahead propensity। समाचार शीर्षकों के मॉडल स्कोर स्टॉक रिटर्न की भविष्यवाणी करते हैं इस परिणाम की प्रतिकृति में (Lopez-Lira & Tang, 2023), भविष्य सूचक शक्ति उच्च lookahead propensity वाली टिप्पणियों पर बढ़ाई गई थी। कटऑफ के बाद कच्ची सिग्नल बनी रही, जबकि स्मरण के साथ जुड़ी बातचीत महत्व खो गई। Glasserman और Lin (2023) ने GPT भावना बैकटेस्ट के दो इन-सैंपल पूर्वाग्रह को अलग किया, देखने में आगे और मॉडल को नाम की गई कंपनी के बारे में पता है इससे विचलन, और दूसरे को बड़ा पाया, सबसे अधिक बड़ी फर्मों के लिए। बीस साल के डेटा पर FINSABER ढांचे ने पाया कि LLM निवेश रणनीतियों के लिए रिपोर्ट किए गए लाभ तीव्रता से सिकुड़ते हैं एक बार survivorship, data snooping और देखने में आगे को नियंत्रित किया जाता है (W. W. Li et al., 2025), और ऐतिहासिक सिमुलेशन पर निर्मित बेंचमार्क, जैसे InvestorBench (H. Li et al., 2025), समान एक्सपोजर को विरासत में देते हैं।

साहित्य इसे दो तरीकों से ठीक करता है। एक मॉडल को प्रतिबंधित करता है: कालानुक्रमिक रूप से सुसंगत भाषा मॉडल केवल प्रत्येक पूर्वानुमान तारीख से पहले उपलब्ध पाठ पर प्रशिक्षित होते हैं (He et al., 2025)। दूसरा समय को प्रतिबंधित करता है: कोई भी मॉडल, पूरी शक्ति पर और खोज के साथ, एक परिणाम के बारे में पूछा जाता है जो अभी भी आना बाकी है, और उत्तर निश्चित है, जांचने योग्य है, परिणाम के अस्तित्व से पहले। मैंने समय को प्रतिबंधित करने और मॉडल को पूरी शक्ति पर रखने का चुनाव किया। दोनों मार्ग पूरक हैं, क्योंकि एक कालानुक्रमिक रूप से सुसंगत मॉडल एक सील लीग में प्रवेश कर सकता है।

2.2 रिसाव के मार्ग

लाइव प्रश्नों में जाने से सबसे बड़ा रिसाव दूर हो जाता है लेकिन हर रिसाव नहीं। Paleka et al. (2026) दिखाते हैं कि भाषा-मॉडल पूर्वानुमान के मूल्यांकन में अस्थायी रिसाव अक्सर सूक्ष्म होता है, और एक मूल्यांकन पर प्रदर्शन दुनिया में पूर्वानुमान में स्थानांतरित नहीं हो सकता है। FutureX समान परिवार की विफलता मोड की रिपोर्ट करता है, जिसमें नकली वेब पेज और उत्तर शामिल हैं जिनकी अस्थायी वैधता गलत है (Zeng et al., 2025)। मैक्रो-वित्तीय पूर्वानुमान में, एक मॉडल के इनपुट को निर्णय के समय उपलब्ध पर सीमित करने से ज्यादातर स्पष्ट कौशल दूर हो जाता है कि leaky बेंचमार्क रिपोर्ट करते हैं (Guan & Chen, 2026)। एक नाम दिया गया रूप क्रॉस-दिन घटना बहाव है: earnings report के दिनों बाद के लेख पहले से ही बाजार की प्रतिक्रिया ले जाते हैं, और अगर वे एक पहले के दिन के इनपुट में प्रवेश करते हैं, तो परिणाम पूर्वानुमान में रिसाव हो जाता है (Zhang & Zhang, 2026)। संदर्भ मूल्य से पहले सील किया गया एक पूर्वानुमान इसके बाद लिखे गए पाठ पर आकर्षण नहीं कर सकता।

वित्तीय बाजारों के लिए समय की समस्या ठोस है। 09:29 पर दर्ज एक दिन के लिए एक पूर्वानुमान और 09:45 पर दर्ज एक अलग वस्तुएं हैं, क्योंकि दूसरा खोलने की चाल देख सकता है। यदि एक पूर्वानुमान कब किया गया था इसका रिकॉर्ड केवल ऑपरेटर द्वारा रखा जाता है, तो एक पाठक को विश्वास करना चाहिए कि कोई बाद का उत्तर एक पहले के स्थान पर नहीं खड़ा हुआ। पूर्व-पंजीकरण परिकल्पना की पीढ़ी को इसके परीक्षण से अलग करता है डेटा के अस्तित्व से पहले इसे एक सार्वजनिक रिकॉर्ड में फिक्स करके (Nosek et al., 2018)। एक सील पूर्वानुमान पंजीकरण स्वचालित और दैनिक बना दिया जाता है, और विश्वस्त समय की मुहर एक तीसरे पक्ष को इसके समय की जांच करने देती है (Haber & Stornetta, 1991; Todd, 2016)।

2.3 कई रन, एक स्कोर

एक टूर्नामेंट में एक पूर्वानुमानकर्ता आमतौर पर एक समय सीमा द्वारा एक उत्तर प्रस्तुत करता है। एक मॉडल को दस बार पूछा जा सकता है, थोड़ा अलग शब्दांकन के साथ या थोड़े अलग मिनट पर, और इसके उत्तर भिन्न होते हैं। एक मूल्यांकनकर्ता जो दस में से सर्वश्रेष्ठ रखता है, या विफलता के बाद एक पाइपलाइन को फिर से चलाता है और फिर से चलाने को रखता है, एक एकल पूर्वानुमान को बदले बिना कौशल को बढ़ाता है, और वृद्धि अदृश्य है जब तक कि हर रन रिकॉर्ड न किया जाए और कौन सा रन गिनता है का नियम अग्रिम में तय न किया जाए। मैंने इसलिए इसे सील करने के लिए मानक लिखा है कि यह भेजता है, एक सत्र प्रति एक रन गिनता है एक नियम द्वारा जो रन से पहले लिखा गया है, और दूसरों को लेबल किए गए संदर्भ गणनाओं के रूप में रखता है (अनुभाग 3.4)।

2.4 एक प्रक्षेपवक्र एक माप नहीं है

वे क्षेत्र जहां मॉडल पैसा व्यापार करते हैं उत्तर देते हैं कि किसके निर्णय पैसा बनाते, लेकिन एक पोर्टफोलियो का मौसम पर रिटर्न बाजार ले सकता था उन पथों से एक ड्रा है। Alpha Arena के पहले दो मौसमों के प्रेस खातों ने रैंकिंग में एक उलटफेर की रिपोर्ट दी: वह मॉडल जो पहले मौसम में जीता, cryptocurrency perpetual futures पर, दूसरे में सबसे कमजोर में से एक था, tokenized US equities पर नए प्रारूपों और लीवरेज के साथ (Forklog, 2025a, 2025b; Yahoo Finance, 2025)। संपत्ति, प्रारूप और मॉडल मौसमों के बीच बदल गए, इसलिए उलटफेर, जैसा कि उन खातों ने रिपोर्ट किया है, भाग्य की पहचान नहीं करता है। यह है कि एक मौसम एक प्रक्षेपवक्र की भविष्यवाणी करता है। StockBench को पाया कि अधिकांश एजेंट Dow स्टॉक व्यापार लगभग चार महीने के लिए खरीद और होल्ड को हराया नहीं (Y. Chen et al., 2025), LiveTradeBench को पाया गया पचास से अधिक लाइव दिन कि सामान्य चैट लीडरबोर्ड व्यापार परिणामों की भविष्यवाणी नहीं करते (Yu et al., 2025), और PredictionMarketBench को पाया कि भोली एजेंट fees और settlement को खोते हैं replayed Kalshi order books पर (Arora & Malpani, 2026)। Prediction Arena ने सीमावर्ती मॉडलों के एक समूह को 57 दिनों के लिए वास्तविक पूंजी दी, और वही मॉडल औसत रिटर्न −22.6% Kalshi पर और −1.1% Polymarket पर (Zhang et al., 2026): स्थान ने औसत परिणाम को बीस अंकों से अधिक ले गया। कोई भी यह नहीं कह सकता कि एक मॉडल को बाजार के बारे में कुछ पता था, क्योंकि एक रिटर्न एक कॉल की दिशा, इसका आकार, इसका समय, इसकी लागत और बाजार के पथ को एक संख्या में मिलाता है।

संभावनाएं एक कॉल की दिशा और आत्मविश्वास को अलग करती हैं। एक मॉडल जो कहता है कि सोने के बढ़ने की 70% संभावना है आज, उस कथन के आधार पर अकेले स्कोर किया जा सकता है, एक सख्ती से उचित नियम द्वारा (Brier, 1950; Gneiting & Raftery, 2007)। चार क्षितिज पर बारह बाजार प्रति दिन प्रति मॉडल कई ऐसे कथन देते हैं, हालांकि एक दिन के बारह बाजार एक सत्र साझा करते हैं (Section 4.6)। एक विनियमित भविष्यवाणी बाजार से सवालों पर जो मॉडल के प्रशिक्षण के बाद हल हुए, पांच सीमांत मॉडल अत्यधिक आत्मविश्वासी थे, और अधिक विस्तारित तर्क ने अंशांकन को बदतर बनाया (Nel, 2025)।

2.5 तीनों शर्तें क्या मांगती हैं

पूर्वानुमान मॉडल के कटऑफ के बाद किया जाना चाहिए किसी ऐसे परिणाम के बारे में जो अभी आना बाकी है (2.1)। इसका समय परिणाम से पहले एक रिकॉर्ड में निर्धारित किया जाना चाहिए जिसके बाद के परिवर्तन को एक तीसरा पक्ष पहचान सकता है (2.2)। कौन सा पूर्वानुमान गिना जाता है इसका नियम रन से पहले निर्धारित किया जाना चाहिए (2.3)। स्कोर पूछे गए घटना का एक उचित स्कोर होना चाहिए, पर्याप्त स्वतंत्र सत्रों पर एकत्रित ताकि कौशल को भाग्यशाली पथ से बताया जा सके, अंशांकन पर एक जांच के साथ (2.4)। और मॉडलों के बीच समझौता उनकी त्रुटियों के सहसंबंध के लिए छूट दिया जाना चाहिए इससे पहले कि इसे साक्ष्य के रूप में पढ़ा जाए (Clemen & Winkler, 1985; Kim et al., 2025; Chernets, 2026a)। Section 3 पांचों को एक चेकलिस्ट के रूप में लिखता है।

3. प्रोटोकॉल

प्रोटोकॉल किसी पूर्वानुमान के क्षण को एक ऐसा तथ्य बनाता है जिसे कोई तीसरा पक्ष जांच सके, और यह कहता है कि उस तथ्य की कौन सी परत किस पर निर्भर करती है। नीचे सब कुछ लीग की खुली फाइलों में प्रकाशित है (AI Council · Markets, 2026): प्रोटोकॉल arena-protocol.json के रूप में, सीलबंद बुक council-book.jsonl के रूप में, सवाल के पाठ asks/ के तहत, और OpenTimestamps प्रमाण के साथ मुहरबंद सूचियां एक पृष्ठ प्रति दिन (/markets/proof/<day>/)। मैं नियमों का वर्णन करता हूं जैसे वे 20 अक्टूबर 2026 को थे (प्रोटोकॉल arena-3, स्कोरिंग पद्धति संस्करण 2) और उस सुबह के रन का उपयोग करता हूं, 2026-10-20-am, काम किए गए उदाहरण के रूप में; इसके लिए उद्धृत हर समय और हैश को खुली फाइलों से वापस पढ़ा जा सकता है (परिशिष्ट B)। प्रत्येक मुहर में प्रभावी पद्धति का संस्करण होता है, और नियमों का कोई भी बाद में परिवर्तन इसके पहले की हर चीज को सीलबंद रखता है जैसे वह था।

इवेंट कॉन्ट्रैक्ट। मानक इवेंट्स को मापता है। एक मॉडल, एक रन या लीडरबोर्ड की एक पंक्ति उनका एक संग्रह है, और मैं प्रत्येक इवेंट को सवाल जाने से पहले तय किए गए कॉन्ट्रैक्ट द्वारा परिभाषित करता हूं (तालिका 1)। दो पूर्वानुमान एक ही इवेंट से संबंधित होते हैं केवल जब हर फील्ड सहमत हो। अपने स्वयं के संदर्भ के साथ एक पूर्वानुमान, जैसे कि खुलने के बाद सीलबंद एक पंक्ति (अनुभाग 3.3), एक अलग इवेंट पर एक पूर्वानुमान है। इसे उस इवेंट पर स्कोर किया जाता है और हर आंकड़े से रखा जाता है जो सामान्य इवेंट पर मॉडल्स की तुलना करता है (आवश्यकता 4)।

उपज शब्द इस लीग में तीन अलग इवेंट्स को नाम देता है। पूर्वानुमान 10 साल की उपज पर ही है, उपज की इकाइयों में, इसके संदर्भ से इसकी टर्मिनल कीमत तक 15:00 ET पर। भीड़ कॉन्ट्रैक्ट, जब सवाल एक सूचीबद्ध करता है, ट्रेजरी की 3:30 PM ET पार उपज पर समाधान करता है, करीब बंद करने के लिए, और उन शर्तों पर स्कोर किया जाता है (अनुभाग 4.9)। पोर्टफोलियो एक ट्रेजरी बॉन्ड फंड (IEF) रखता है, जो तब बढ़ता है जब उपज गिरती है (अनुभाग 4.7)। 20 अक्टूबर को भीड़ ने उपज के कॉन्ट्रैक्ट को 7% पर मूल्य दिया पिछली पार उपज 5.15% के विरुद्ध, एक कीमत जो पहले से ही प्री-मार्केट गिरावट को आयोजित करती थी; लीग का अपना उपज पर सवाल 09:30 संदर्भ से शुरू होता है और कुछ और पूछता है। एक पर सही कॉल दूसरों के बारे में अपने आप से कुछ नहीं कहती। VIX को एक ही तरह से विभाजित किया जाता है: पूर्वानुमान इंडेक्स पर है, सामान्य पोर्टफोलियो इसे नहीं रख सकता, Pro लीग कर सकती है।

तालिका 1। एक इवेंट कॉन्ट्रैक्ट के न्यूनतम फील्ड्स, और संदर्भ कार्यान्वयन प्रत्येक को कहां तय करता है।

नोट: कोष्ठक में फील्ड के नाम खुली फाइलों में हैं (arena-protocol.json, हर रन लाइन का methodology फील्ड, council-stats.json, council-calibration.json और council-forecasts.csv के कॉलम)। उपज की 15:00 ET खिड़की 20 अक्टूबर की सीलबंद रन लाइन में कही गई है।

3.1 लीग का एक दिन

चित्र 1 एक लीग दिन को स्नैपशॉट से स्कोर तक अनुसरण करता है।

स्नैपशॉट। प्रश्न जारी होने से पहले, इंजन 12 बाजारों का एक मूल्य स्नैपशॉट लेता है: S&P 500, Nasdaq-100, Dow Jones, सेमीकंडक्टर इंडेक्स (SOX), यूएस 10-साल की उपज, डॉलर इंडेक्स (DXY), VIX, सोना, WTI, Brent, तांबा और Bitcoin (तालिका 2)। प्रत्येक पंक्ति इसकी कीमत, हाल के परिवर्तन, 52-सप्ताह की सीमा और इसे पढ़ी गई मिनट को दर्शाती है; खुलने से पहले स्टॉक-इंडेक्स और उपज की पंक्तियों में पिछले सत्र होते हैं, जबकि अन्य पंक्तियां लाइव होती हैं। स्नैपशॉट की SHA-256 रन लाइन में लिखी जाती है (snapshot_sha256), इसलिए बाद में यह दावा कि मॉडल ने विभिन्न कीमतें देखीं, का परीक्षण किया जा सकता है।

प्रश्न। चौदह सीटें व्यापार करते हैं; ग्यारह उनमें से संभावनाएं भी देते हैं और परिषद गठित करते हैं, पाँच यूएस से और छह चीनी प्रयोगशालाओं से, और बेंच पर तीन सीटें केवल व्यापार करते हैं (तालिका 8)। एक प्रश्न परिषद के प्रत्येक मॉडल को जाता है, शब्द दर शब्द सिवाय एक ब्लॉक के जो प्रत्येक मॉडल को अपना अपना खाता देता है। सामान्य पाठ की SHA-256 रन लाइन में लिखी जाती है (ask_sha256) और प्रत्येक उत्तर लाइन में दोहराई जाती है, और पाठ asks/<sha256>.md के रूप में प्रकाशित होता है। पाठ की हैश जो प्रत्येक मॉडल को मिला, इसके अपने खाते सहित, जब भेजा जाता है तो सील किया जाता है (asks.jsonl)। 20 अक्टूबर को प्रश्न 08:30 EDT पर खुला, और इसकी प्रकाशित फ़ाइल रन लाइन में मान को हैश करती है, 77d3c627…6f07। इसने स्टॉक-इंडेक्स फ्यूचर्स के प्री-ओपन परिवर्तन भी दिए और मॉडल को बताया कि वे उन्हें उपयोग कर सकते हैं (अनुभाग 3.3)।

09:30 ET से पहले सील करें। प्रत्येक उत्तर हैश-चेन वाली किताब की एक पंक्ति के रूप में दर्ज किया जाता है। 20 अक्टूबर को आठ गिने हुए उत्तरों में 12:31:11Z से 12:42:02Z तक उत्तर समय होते हैं; रन लाइन और उत्तर एक बैच में किताब में प्रवेश किए, उत्तर booked_at 13:00:25Z के साथ, और बैच को 13:00:25Z पर मुहर लगाई गई (09:00:25 ET)। एक बैच सील बैच को समय देता है। आवश्यकता 12 प्रत्येक उत्तर को आगमन पर सील करती है, और 21 अक्टूबर की सुबह दोनों रूप दिखाती है। इसके पहले आठ गिने हुए उत्तर (12:32:52Z से 12:44:59Z) एक बैच में 13:00:19Z पर दर्ज किए गए थे, दूसरा जिस पर दो बाहरी अधिकारियों ने इसकी मुहरबंद सूची पर हस्ताक्षर किए, और एक नवां 13:23:37Z पर दर्ज किया गया था, इसके आगमन के 14 सेकंड बाद, दूसरा जिस पर तीन अधिकारियों ने अगली सूची पर हस्ताक्षर किए (अनुभाग 3.2)। 20 अक्टूबर का प्रमाण पृष्ठ दर्ज करता है कि "स्कोर के लिए सेवन मंगलवार, 20 अक्टूबर, 2026, 9:30 AM ET (2026-10-20T13:30:00Z) पर बंद हुआ"। उस दिन चार मुहरें ली गईं, 13:00:25Z, 15:00:12Z, 15:36:05Z और 16:52:54Z पर, ब्लॉक 972,334, 972,344, 972,354 और 972,359 में लंगर डाली गईं। पहली पंक्तियों 1 से 159 को कवर करती है, जिनमें रन लाइन (151) और आठ गिने हुए उत्तर (152 से 159) होते हैं।

खुला। Bitcoin को छोड़कर प्रत्येक बाजार की संदर्भ कीमत 09:30 ET पर या उसके बाद की पहली कीमत है; Bitcoin के लिए, जो चौबीसों घंटे व्यापार करता है, यह पहली एक-मिनट की बार का समापन है जो लाइन की सील पर या उसके बाद शुरू होता है। संदर्भ हमेशा सील के बाद लिया जाता है (अनुभाग 3.3)।

बंद होने के बाद स्कोर। 16:00 ET के बंद होने के बाद इंजन एक स्कोर लाइन को समान किताब में लिखता है जिसमें प्रत्येक बाजार का संदर्भ, बंद, परिवर्तन, ड्रॉ ध्वज और प्रत्येक मॉडल द्वारा दी गई संभावना है। 20 अक्टूबर को स्कोर लाइन (पंक्ति 184) 20:30:36Z पर दर्ज की गई थी, दिन की अंतिम मुहर के बाद, इसलिए यह अगली मुहर द्वारा कवर की गई है, 21 अक्टूबर की पहली। लंबे क्षितिज स्कोर किए जाते हैं जब उनकी खिड़कियां बंद होती हैं, अपनी स्वयं की पंक्तियों के रूप में।

चित्र 1। लीग का एक दिन: स्नैपशॉट, प्रश्न, सील, खुला, स्कोर।

नोट: समय 2026-10-20-am रन के हैं council-book.jsonl से पढ़े गए और /markets/proof/2026-10-20/ प्रमाण पृष्ठ से। ET न्यूयॉर्क समय है। Bitcoin ब्लॉक समय ब्लॉक 972,334 का हेडर समय है, जो 13:00:25Z मुहर के लंगर को धारण करता है। एक हेडर समय खनन के समय को व्यावहारिक सीमा से सीमित करता है (अनुभाग 3.11)। दिन की दूसरी मुहर, 15:00:12Z (11:00:12 ET), यह दिखाने के लिए चिह्नित है कि मुहरें पूरे दिन चलती हैं; 20:30:36Z की स्कोर लाइन अगले दिन की पहली मुहर द्वारा कवर की जाती है।

तालिका 2 में मैं प्रत्येक बाजार के लिए देता हूं, वह मूल्य प्रतीक जिस पर इसकी घटना का समाधान किया जाता है, इसकी एक-दिन की घटना का अंत, वह फंड जिसके माध्यम से पोर्टफोलियो लीग इसे धारण करते हैं और 20 अक्टूबर 2026 को सवाल के साथ सीमित भीड़ अनुबंध।

तालिका 2। बारह बाजार: मूल्य प्रतीक, संदर्भ और एक-दिन की घटना का अंत, पोर्टफोलियो लीग में प्रत्येक व्यापार के रूप में फंड, और 20 अक्टूबर 2026 को सीमित भीड़ अनुबंध।

नोट: 20 और 21 अक्टूबर 2026 के रनों की पूर्वानुमान पंक्तियों से (price_provider, price_symbol, reference_rule, event_end_at), arena-protocol.json (assets, indicators_only) और council-book.jsonl की पंक्ति 151 (crowd.odds, crowd.kalshi)। प्रत्येक पंक्ति प्रदाता yahoo_finance_chart_v8_1m और नियम first_1m_bar_at_or_after_reference_at__last_1m_bar_at_or_before_end_at__v1 का नाम देती है। एक सप्ताह, एक महीने और छह महीने के क्षितिज 5, 21 और 126 सत्र हैं (बिटकॉइन 7, 30 और 182 दिन; तालिका 1)। ड्रॉ बैंड प्रति सत्र निर्धारित किए जाते हैं (तालिका 1) और सूचीबद्ध नहीं हैं। प्राथमिक भीड़ तुलना कम से कम $1,000 की सील की गई मात्रा वाले अनुबंधों को स्वीकार करती है (अनुभाग 4.9)।

कीमतें प्रश्न से पहले मौजूद हैं, प्रश्न उत्तरों से पहले है, उत्तर उस कीमत से पहले हैं जिससे उन्हें स्कोर किया जाता है, और परिणाम सभी के बाद होता है। प्रत्येक "पहले" को एक हैश के रूप में पुस्तक में लिखा जाता है, और पुस्तक का सिर संचालक के नियंत्रण के बाहर लंगर डाला जाता है।

3.2 एक सील क्या है

पुस्तक JSON पंक्तियों का एक अनुक्रम है $\ell_1, \ell_2, \dots, \ell_m$, एक बार लिखी गई और जैसी लिखी गई वैसे ही रखी गई। प्रत्येक पंक्ति के चार बहीखाता क्षेत्र हैं: इसकी स्थिति n, पिछली पंक्ति का हैश prev, इसका स्वयं का सामग्री हैश seal, और इसका श्रृंखलित हैश link। मान लीजिए $H$ SHA-256 है (राष्ट्रीय मानकों और प्रौद्योगिकी संस्थान, 2015) और मान लीजिए $J(\cdot)$ एक JSON ऑब्जेक्ट का क्रमांकन है जिसमें क्रमबद्ध कुंजियां बिल्कुल वैसे ही हों जैसे Python का json.dumps(o, sort_keys=True, ensure_ascii=False) इसे लिखता है, UTF-8 के रूप में एन्कोड किया गया है (परिशिष्ट B, चरण 4)। फिर पंक्ति $i$ के लिए सामग्री $c_i$ के साथ (चार को छोड़कर प्रत्येक क्षेत्र):

$$s_i = H\big(J(c_i)\big), \qquad \lambda_i = H\big(J(c_i \cup \{n{=}i,\ \mathit{prev}{=}\lambda_{i-1},\ \mathit{seal}{=}s_i\})\big), \qquad \lambda_0 = \text{""}.$$

सील $s_i$ यह निर्धारित करता है कि पंक्ति क्या कहती है। लिंक $\lambda_i$ यह निर्धारित करता है कि यह क्या कहता है, यह कहाँ खड़ा है और इससे पहले सब कुछ। मैंने 20 अक्टूबर 2026 तक पुस्तक की सभी 211 पंक्तियों के लिए दोनों हैशों की पुनः गणना की: प्रत्येक seal और प्रत्येक link पुनरुत्पादित होते हैं, और प्रत्येक prev इससे पहले की पंक्ति के link के बराबर है।

रन पंक्ति प्रश्न का हैश, मूल्य स्नैपशॉट का हैश, पक्ष द्वारा रोस्टर, लागू स्कोरिंग पद्धति और भविष्यसूचक-बाजार कीमतें ले जाती है जो जब प्रश्न बाहर गया था तब दर्ज की गई थीं। उत्तर पंक्ति मॉडल, इसका मोड और 12 बाजारों और चार क्षितिज के लिए इसका पूरा पार्स किया गया उत्तर ले जाती है, own_sha256 के साथ, कच्चे उत्तर का हैश, और ask_sha256। स्कोर पंक्ति परिणाम ले जाती है। तीनों को एक ही तरीके से सील किया जाता है।

एक श्रृंखला अकेली क्रम और सामग्री को प्रमाणित करती है। एक संचालक जो फ़ाइल को नियंत्रित करता है वह एक पूरी श्रृंखला को एक दोपहर में पुनर्निर्माण कर सकता है, इसलिए मैं बाहर से समय लेता हूँ। प्रत्येक रन पर इंजन एक संक्षिप्त समयबद्ध सूची लिखता है जो प्रत्येक पुस्तक के लिए, इसमें कितनी पंक्तियां थीं, उन बिल्कुल पंक्तियों का SHA-256 और अंतिम का लिंक नाम देती है। इस पुस्तक के लिए 20 अक्टूबर 13:00:25Z पर यह "159 पंक्तियां, sha256 59673b9e…a7d9, अंतिम लिंक 378273fd…7175b2c" पढ़ता है। सूची को OpenTimestamps (Todd, 2016) के साथ समयबद्ध किया जाता है, जो कई हैशों को एक Merkle ट्री में जोड़ता है और इसका रूट एक बिटकॉइन लेनदेन में सार्वजनिक कैलेंडर सर्वर के माध्यम से प्रतिबद्ध करता है। .ots प्रमाण, सूची के आगे प्रकाशित, यहां ब्लॉक 972,334, हेडर समय 13:55:20Z की एक ब्लॉक हेडर की Merkle रूट तक सूची के SHA-256 से हैश संचालन का पथ रखता है। निर्माण Haber और Stornetta (1991) की जुड़ी समयबद्धता है जिसमें बिटकॉइन श्रृंखला (Nakamoto, 2008) साक्षी के रूप में है।

मैं समय साक्ष्य को उसके आधार पर श्रेणीबद्ध करता हूँ कि एक पाठक को किस पर विश्वास करना पड़ता है, संचालक के अपने रिकॉर्ड से लेकर हस्ताक्षरित समय तक:

• स्तर 1, संचालक का रिकॉर्ड। प्रत्येक पंक्ति श्रृंखला में सील बंद है (at, prev, link; उत्तर पंक्तियाँ booked_at जोड़ती हैं, उनकी बैच सील का दूसरा भाग), और संदर्भ मूल्य सील के बाद लिया जाता है। श्रृंखला क्रम और सामग्री को ठीक करती है; सील का मिनट वह है जो संचालक ने दर्ज किया है।
• कैलेंडर को प्रस्तुत करना। श्रृंखला के सिर को रखने वाली सूची सार्वजनिक OpenTimestamps कैलेंडर को भेजी जाती है (प्रमाण alice.btc.calendar.opentimestamps.org और bob.btc.calendar.opentimestamps.org का नाम देते हैं)। एक प्रतीक्षारत रसीद दिखाती है कि हैश स्वीकार कर लिया गया; इसमें कोई समय नहीं होता जिसे पाठक सत्यापित कर सके।
• स्तर 2, Bitcoin एंकर। कैलेंडर हैश को एक Bitcoin ब्लॉक में प्रतिबद्ध करते हैं। एंकर की गई उपसर्ग ब्लॉक के हेडर समय के कुछ घंटों बाद से अधिक नहीं रहा, व्यावहारिक सीमा के द्वारा (अनुभाग 3.11), और इसमें एक पंक्ति का बाद का पुनर्लेखन किसी भी व्यक्ति द्वारा खोजा जा सकता है जो पहले का प्रमाण रखता है। ब्लॉक 09:30 ET के बाद खनित किया जा सकता है: 20 अक्टूबर को 09:00:25 ET का स्टैम्प 09:55:20 ET के हेडर समय वाले ब्लॉक तक पहुँचा।
• स्तर 2+, हस्ताक्षरित समय। 21 अक्टूबर 2026 से स्वतंत्र RFC 3161 समय-स्टैम्पिंग प्राधिकरण (Adams et al., 2001), FreeTSA और DigiCert, उसी दिन की तीसरी सूची से Sectigo द्वारा शामिल, प्रत्येक स्टैम्प की गई सूची पर हस्ताक्षर करते हैं, जिस दूसरे को हर पंक्ति यह कवर करती है मौजूद थी को ठीक करते हुए। पाठक एक प्राधिकरण और इसके प्रमाणपत्र पर विश्वास करता है न कि संचालक पर, और स्वतंत्र प्राधिकरणों के साथ कोई एक काफी है। टोकन बैच को समय देता है। प्रत्येक उत्तर का आगमन आवश्यकता 12 का विषय है।

एक पंक्ति सील बंद होती है जब वह श्रृंखला में प्रवेश करती है, सिर स्टैम्प किया जाता है जब वह कैलेंडर में जाता है, और यह एंकर होती है जब वह एक ब्लॉक तक पहुँचती है। चूँकि किताब केवल बढ़ती है, 159 वीं पंक्ति पर लिया गया स्टैम्प किसी भी बाद की लंबाई पर सत्यापित करता है: आज की फ़ाइल का head -n 159 स्टैम्प की गई बाइट्स को अपरिवर्तित रूप में लौटाता है और उस सुबह स्टैम्प किए गए मान में हैश करता है, इसलिए उपसर्ग को पंक्ति गणना के आधार पर लिया जाता है, एक फ़िल्टर द्वारा नहीं जो पंक्तियों को पुनः लिखता। प्रत्येक स्टैम्प की गई सूची उस बाइट नियम को प्रिंट करती है जिसे वह हैश करती है: फ़ाइल जैसी संग्रहीत, UTF-8 एक बाइट-ऑर्डर मार्क के बिना और कुछ भी पुनः-कोडित नहीं, प्रत्येक पंक्ति इसके अंतिम LF के साथ गिनी जाती है, और एक अंतिम पंक्ति एक बार गिनी जाती है जब इसका LF लिखा जाता है।

प्रकटीकरण समय और सील समय। सील समय वह है जब एक पंक्ति श्रृंखला में प्रवेश करती है; प्रकटीकरण समय वह है जब इसका पाठ सार्वजनिक हो जाता है। लीग दिन के स्कोर के बाद पंक्तियों के पाठ प्रकाशित करती है, सीट, सील और समय दिखाई देते हैं पहले से (प्रमाण पृष्ठ)। विलंबित प्रकटीकरण, Sornette et al. (2010) की संपत्ति, एक तीसरे पक्ष को खुले में सील किए हुए संभावना का उपयोग करने से रोकती है। संचालक को बाँधना, जो इसे बुक करने के लिए पाठ को रखता है, P1b और P2 का काम है (अनुभाग 3.11)। एक बैच के भीतर श्रृंखला बुकिंग के क्रम को दर्ज करती है: 20 अक्टूबर को रन लाइन अपने उत्तरों से पहले खड़ी होती है और उनके साथ बुक की गई थी, उनके आगमन के बाद।

3.3 सील के बाद संदर्भ मूल्य

संदर्भ मूल्य प्रत्येक बाजार के नियम के अनुसार सील के बाद पहली कीमत है। एक पूर्वानुमान केवल उस कीमत पथ पर स्कोर किया जाता है जो इसके निर्धारित होने के बाद शुरू होता है। वह जानकारी जो संदर्भ से पहले मौजूद है अनुमति दी जाती है: प्रश्न पूर्व-खुली फ्यूचर्स को ले सकता है (20 अक्टूबर को, S&P 500, Nasdaq-100, Dow और Russell 2000 फ्यूचर्स पिछले बंद के विरुद्ध), और एक मॉडल अपने उत्तर तक समाचार की खोज कर सकता है। प्रोटोकॉल जो बाहर करता है वह संदर्भ मूल्य और इसके बाद की सब कुछ है।

खुलने के बाद सील बंद की गई एक पंक्ति रखी जाती है। इसे अपना स्वयं का संदर्भ मिलता है, अपनी स्वयं की सील के बाद पहली कीमत, और इसे देर के रूप में चिह्नित किया जाता है (late_ref स्कोर लाइन में)। बंद होने के बाद सील बंद की गई एक पंक्ति उस सत्र के लिए स्कोर नहीं की जाती है (counted)। ऐसी पंक्ति एक अलग प्रश्न का उत्तर देती है: 20 अक्टूबर की किताब में, खुलने के बाद सील बंद की गई एक पंक्ति का स्वयं का संदर्भ अपने नौ एक-दिन के कक्षों में से छः में स्कोर किए गए चाल का संकेत उलट देता है। मैं इसलिए इसे सब कुछ बाहर रखता हूँ जो मॉडल्स की तुलना एक सामान्य घटना पर करता है: सहमति, साझा त्रुटि की गणना, निकटतम मॉडल, वॉयस की प्रभावी संख्या और हर सिर-से-सिर तुलना (आवश्यकता 4)। स्कोर लाइन पंक्ति को चिह्नित करती है, और लीग के आंकड़ों की गिनी गई श्रृंखला इसे बाहर छोड़ देती है (तालिका 5)।

वही नियम एक सामान्य घटना प्रति एक संदर्भ को ठीक करता है, Bitcoin सहित। संदर्भ कार्यान्वयन में Bitcoin का संदर्भ पहली एक-मिनट बार का बंद है जो पंक्ति की सील पर या बाद में शुरू होता है (reference_rule, Yahoo Finance BTC-USD), इसलिए कीमत हमेशा सील से बाद में होती है, जबकि खुली फ़ाइलें सील को दूसरे के रूप में reference_at में लिखती हैं और मूल्य निर्धारित बार की शुरुआत को reference_price_at के रूप में लिखती हैं। एक बाद की बैच में सील बंद की गई पंक्ति को अपना Bitcoin संदर्भ मिलता है और एक अलग घटना है। 21 अक्टूबर को 13:00:19Z पर सील बंद किए गए आठ उत्तर संदर्भ 83,536.42 साझा करते हैं, 13:01Z बार का बंद; नौवाँ, 13:23:37Z पर सील बंद, इसका अपना, 83,677.08 है, 13:24Z बार का बंद, और अलग से स्कोर किया जाता है (own_event, same_event false), सामान्य Bitcoin घटना के बाहर। चूँकि reference_at सील सेकंड के बराबर है, "सील से पहले reference_at" पर कट हर Bitcoin पंक्ति को गिरा देता। मैं इसके बजाय सभी बारह बाजारों के लिए एक घड़ी का उपयोग करता हूँ: एक उत्तर पंक्ति सामान्य-घटना आंकड़ों में केवल तभी प्रवेश करती है यदि यह सत्र के 09:30 ET संदर्भ से पहले सील बंद थी। Bitcoin पंक्तियाँ समान 09:30 ET कट का पालन करती हैं, जबकि Bitcoin मूल्य ही रन की सील के बाद पहले मिनट से संदर्भित होता है। यह प्रकाशित गिनी गई श्रृंखला का नियम है (n_eff.counted) और दाखिल संकल्प स्क्रिप्ट का। एक बार उत्तर आगमन पर सील बंद होने के बाद (आवश्यकता 12), एक बाजार के लिए सामान्य संदर्भ जो चौबीसों घंटे व्यापार करता है रन की खपत के बंद होने की कीमत है, हर गिनी गई सील के बाद।

3.4 प्रति सत्र एक गिनी गई रन

लीग दिन में एक बार से अधिक पूछता है (एक सुबह की दौड़, एक शाम की दौड़, एक सप्ताहांत की Bitcoin दौड़ और एक रविवार की radar दौड़), इसलिए कई दौड़ें एक सत्र को लक्ष्य कर सकती हैं। प्रत्येक मॉडल और सत्र के लिए ठीक एक गिनती करता है, और मानक के लिए आवश्यक है कि दौड़ को दौड़ से पहले घोषित नियम द्वारा तय किया जाए (आवश्यकता 6)। "खुलने से पहले सील बंद की गई दौड़" के रूप का नियम बाद में लागू किया जाता है। यह ऑपरेटर को खुलने से पहले एक बाद की दौड़ भेजने के लिए स्वतंत्र छोड़ता है, और इस तरह दौड़ के बीच चुनने के लिए। इसलिए मैंने नियम को अनुसूची बनाया। 21 अक्टूबर 2026 से, गिनी गई रिकॉर्ड की शुरुआत, निर्धारित सुबह की दौड़ गिनती करती है और हर दूसरी दौड़ एक संदर्भ गणना है। घोषणा को आउटगोइंग प्रश्नों की श्रृंखला की पहली पंक्ति के रूप में सील किया गया है (asks.jsonl, 21 अक्टूबर 2026 को 04:16 UTC, सुबह की दौड़ से आठ घंटे पहले) और इसके SHA-256 (c24b0d4f…5df5) और Internet Archive कैप्चर (उसी दिन 05:35 UTC) के साथ प्रमाण पृष्ठ पर प्रकाशित; मैंने इसे 21 अक्टूबर 2026 को 15:05 UTC पर वहां पढ़ा। दो विकास सत्रों में, 19 और 20 अक्टूबर, सीलबंद पद्धति ने सत्र के खुलने से पहले सील बंद की गई दौड़ को गिना (session_run), दौड़ के बाद लागू एक नियम। ये सत्र प्राथमिक तुलना की विंडो के बाहर एक विकास खंड बनाते हैं (खंड 8)। अन्य दौड़ों को अपने स्वयं के पृष्ठ पर स्कोर किया जाता है (not_counted, earlier_run), रखा जाता है, प्रकाशित किया जाता है और लेबल किया जाता है, और कोई भी सीलबंद टाइमस्टैम्प के लिए घोषित नियम लागू कर सकता है (P3, खंड 3.11)। पोर्टफोलियो लीग की पुनः कोशिशें (asked_again, परिशिष्ट A) अपने प्रश्न हैश के साथ सील की जाती हैं और हर पूर्वानुमान स्कोर से बाहर रहती हैं।

3.5 दिशा, संभावना और ड्रा

मॉडल prob_up देता है, 0 से 100 तक की संभावना कि संकेतक इसकी संदर्भ कीमत की तुलना में क्षितिज के अंत में अधिक है। 10 साल की उपज के लिए एक "खरीद" एक दांव है कि उपज बढ़ जाती है; VIX के लिए, कि अपेक्षित अस्थिरता बढ़ जाती है।

मैं छोटी चाल को पहले से तय किए गए नियम द्वारा ड्रा के रूप में मानता हूं। बैंड $0.1 \times \overline{|r_{1\text{min}}|} \times \sqrt{390}$ है, जहां $\overline{|r_{1\text{min}}|}$ संदर्भ से पहले मिनट की बार के चार सत्रों पर औसत निरपेक्ष एक मिनट की प्रतिशत वापसी है; सामान्य रिटर्न के लिए यह एक सत्र के मानक विचलन का लगभग 0.08 है (council-stats.json, draw_band)। वायदा के लिए (WTI, Brent, सोना, तांबा) मिनट चलती रिकॉर्ड किए गए फ्रंट-महीने के अनुबंध परिवर्तन के पार छोड़ दी जाती हैं, क्योंकि एक रोल दो अनुबंधों के बीच एक कूद है (noise_rolls)। मानक के लिए आवश्यक है कि स्कोर किया गया ईवेंट पूछा गया ईवेंट हो (आवश्यकता 7)। प्राथमिक Brier स्कोर सभी पंक्तियों पर गणना की जाती है, एक वृद्धि शून्य से ऊपर एक परिवर्तन का अर्थ है, और बिना ड्रा के स्कोर दूसरा सूचित किया जाता है जो इसे छोड़ने वाली पंक्तियों की संख्या के साथ। मॉडल को एक सख्त वृद्धि की संभावना के लिए पूछा जाता है और उन्हें ड्रा नियम नहीं बताया जाता है। 21 अक्टूबर के सत्र से all-rows स्कोर लीग का मुख्य स्कोर है (field pall)। विकास सत्र प्रकाशित के रूप में खड़े हैं, एक अलग खंड (आवश्यकता 15), एक स्कोर पर जो ड्रा को बाहर छोड़ता है। ऐसा स्कोर बैंड के बाहर एक चाल दिए गए वृद्धि की संभावना द्वारा न्यूनतम किया जाता है, इसलिए पूछे गए प्रश्न के लिए यह सख्ती से उचित नहीं है।

एक ड्रा बैंड और एक उचित स्कोर एक साथ जा सकते हैं। एक डिजाइन बैंड के बाहर एक चाल दिए गए वृद्धि की संभावना के लिए पूछता है और इसे केवल पंक्तियों पर स्कोर करता है जो ड्रा नहीं हैं। दूसरा तीन संभावनाओं के लिए पूछता है, एक वृद्धि, एक ड्रा और एक गिरावट, तीन परिणाम Brier स्कोर द्वारा स्कोर किया गया है, सख्ती से ट्रिपल के लिए उचित (Brier, 1950; Gneiting & Raftery, 2007):

$$B_3 = \tfrac12 \sum_{k \in \{\text{up},\, \text{draw},\, \text{down}\}} \big(p_k - \mathbf{1}\{Y = k\}\big)^2 .$$

एक पूर्वानुमान जो एक पंक्ति पर ड्रा शून्य संभावना देता है जो एक ड्रा नहीं है, ठीक बाइनरी Brier स्कोर को स्कोर करता है, $(p - o)^2$। एक तिहाई का एकसमान पूर्वानुमान बाइनरी सिक्के के लिए 0.25 के विरुद्ध $1/3$ स्कोर करता है, इसलिए तीन परिणाम स्कोर को अपने स्वयं के बेंचमार्क की आवश्यकता है। ठीक 50 की संभावना कोई भी पक्ष नहीं लेती है और केवल Brier द्वारा स्कोर की जाती है।

3.6 "डिप्स पर खरीदें" एक स्तर के रूप में पहले से तय किया गया

"डिप्स पर खरीद" स्तर के बिना स्कोर नहीं किया जा सकता, इसलिए मुझे buy_dips कार्रवाई के साथ एक उत्तर की आवश्यकता है जो entry देता है, संदर्भ के नीचे एक स्तर जिस पर मॉडल जोड़ेगा। यदि कीमत सत्र के दौरान इसे छूती है तो पोर्टफोलियो एंट्री पर खरीदता है, अन्यथा कुछ नहीं खरीदा जाता है। किसी भी तरह से संभाव्यता स्कोर की जाती है। पाँच अनुमत कार्रवाइयाँ buy_strong, buy_dips, hold, trim और sell हैं। सूची के बाहर का शब्द action_word के रूप में रखा जाता है, इसकी संभाव्यता और स्तर स्कोर किए जाते हैं, और यह व्यापार नहीं करता है।

प्रत्येक उत्तर कक्ष इसलिए एक घटना पर दो सीलबंद उत्तर रखता है, एक संभाव्यता और एक कार्रवाई, और सबसे हाल के दो गिने हुए सुबह पर वे पंक्तिबद्ध होते हैं (चित्र 2)। 20 अक्टूबर 2026 को संदर्भ से पहले सीलबंद आठ सीटों की 384 कक्षों और 21 अक्टूबर 2026 को नौ सीटों की 432 कक्षों के पार, कोई कार्रवाई क्षेत्र खाली नहीं था, हर sell और trim 50 से नीचे खड़ा था, hold लगभग समान मौका के चारों ओर बैठा था (दोनों सुबह पर माध्यिका 52) और माध्यिका buy_strong तक चरण दर चरण बढ़ी। मुझे चार कक्षों में 50 से नीचे संभाव्यता के साथ डिप्स पर एक खरीद मिलता है: 20 अक्टूबर के Claude के तीन एक-दिन की कक्षें (S&P 500 48, Nasdaq-100 47, अर्धचालक 46) और MiMo का S&P 500 21 अक्टूबर को एक सप्ताह (47) पर। डिप्स पर एक खरीद एक ऑर्डर है जो केवल संदर्भ के नीचे एक निश्चित एंट्री स्तर पर भरा जाता है, इसलिए इसके साथ 50 से नीचे की संभाव्यता सुसंगत है। तालिका 3 क्षितिज द्वारा कार्रवाइयों की गणना करती है। hold ने प्रत्येक सुबह की एक-दिन की 64 कक्षों (96 और 108 कक्षों में से) भरी, और छह महीने में buy_dips ने नेतृत्व किया (37 और 38 कक्षें)।

चित्र 2। एक ही उत्तर कक्ष में सीलबंद कार्रवाई द्वारा बढ़ने की कथित संभाव्यता: रन 2026-10-20-am (संदर्भ से पहले सीलबंद आठ सीटें) और 2026-10-21-am (नौ सीटें), सभी चार क्षितिजें।

नोट: प्रत्येक बिंदु एक उत्तर कक्ष है (सीट × बाजार × क्षितिज), थोड़ा जिटर्ड; बार माध्यिका को चिह्नित करते हैं (sell 35 और 38, trim 41.5 और 43, hold 52 और 52, dips पर खरीद 58 और 58, buy strong 60 और 63); n 20 | 21 अक्टूबर की कक्षें देता है। items.<market>.<horizon>.action में सीलबंद की गई कार्रवाइयां, prob_up में संभाव्यताएं। स्रोत: council-forecasts.csv 22 अक्टूबर 2026, 01:32 UTC को सहेजा गया। खंड 3 से 5 के हर चित्र और तालिका की तरह सीलबंद उत्तरों से बनी, यह कोई परिणाम नहीं दिखाता है।

तालिका 3। क्षितिज द्वारा सीलबंद की गई कार्रवाइयां: रन 2026-10-20-am (संदर्भ से पहले सीलबंद आठ सीटें, क्षितिज प्रति 96 कक्षें) और 2026-10-21-am (नौ सीटें, क्षितिज प्रति 108 कक्षें)।

नोट: उनमें सीलबंद की गई कार्रवाई द्वारा उत्तर कक्षों की गणना। स्रोत: council-forecasts.csv 22 अक्टूबर 2026, 01:32 UTC को सहेजा गया।

3.7 चार क्षितिजें और साल

प्रत्येक उत्तर हर बाजार के लिए चार क्षितिजों को कवर करता है: अगला ट्रेडिंग दिन (1d), सप्ताह (1w), महीना (1m) और छह महीने (6m), साथ ही साल पर एक अस्कोर्ड वाक्य (years)। ग्यारह एक्सचेंज-घंटे के बाजारों के लिए लंबी क्षितिजें 5, 21 और 126 सत्र हैं; Bitcoin के लिए वे 7, 30 और 182 कैलेंडर दिन हैं, और इसका दिन सील मिनट से स्कोरिंग सत्र के 16:00 ET बंद तक चलता है, सुबह के रन के लिए लगभग सात घंटे। मैं प्रत्येक परिभाषा के भीतर क्षितिजों की तुलना करता हूँ। एक मॉडल एक सुबह पर इसलिए 48 संभाव्यताएं देता है, प्रत्येक अपनी खिड़की पर हल किया जाता है और सभी एक मिनट पर एक जानकारी के एक सेट पर सीलबंद होते हैं।

3.8 लक्ष्य और "गलत यदि"

प्रत्येक बाजार और क्षितिज के लिए मॉडल target भी देता है, जहाँ यह कीमत की अपेक्षा करता है कि वह जाए, और invalidation, "Wrong if" के रूप में दिखाया गया है, वह स्तर जिस पर यह स्वीकार करेगा कि दृष्टिकोण गलत था, इसके मुख्य जोखिम और क्या इसे दृष्टिकोण संशोधित करने के लिए प्रेरित करेगा (risk, revise_if)। सभी संभाव्यता के साथ सीलबंद हैं, इसलिए पूर्वानुमान मॉडल की अपनी शर्तों में गलत है। एक सीलबंद उत्तर क्षेत्रों को काम पर दिखाता है। 19 अक्टूबर 2026 को, खुलने से पहले, ChatGPT (GPT-6.1 Sol) ने S&P 500 को दिन पर 54% की बढ़ने की संभावना दी, 7,678.59 के लक्ष्य और 7,560 पर "Wrong if" के साथ, फिर 42% एक सप्ताह में, 38% एक महीने में और 61% छह महीने में। इसका कथित दृष्टिकोण "मैं AI खर्च के तत्काल मुद्रास्फीति प्रभावों पर इसके अंतिम उत्पादकता लाभ की तुलना में अधिक वजन रखता हूँ", और संशोधन के लिए इसकी शर्त "मैं मासिक मंदी के दृष्टिकोण को त्याग दूंगा यदि SPX 8000 को बेहतर कमाई मार्गदर्शन के साथ साफ करता है" (पुस्तक पंक्ति 83)। इनमें से प्रत्येक स्तर को मॉडल से पूछे बिना कीमत पथ के विरुद्ध जांचा जा सकता है कि इसका क्या मतलब था। चित्र 3 में मैं पूरे उत्तर को खींचता हूँ, संभाव्यता, कार्रवाई, लक्ष्य और प्रत्येक क्षितिज पर "Wrong if" स्तर, और छह महीने में 7,350 पर प्रवेश स्तर जिस पर इसकी dips पर खरीद भर जाएगी। प्रश्न ने पिछली बंद, 7,659.44 दिखाई थी, और दिन का संदर्भ मूल्य, 7,700.34, सील के बाद लिया गया था।

चित्र 3। एक सीलबंद उत्तर: ChatGPT S&P 500 पर, रन 2026-10-19-am (council-book.jsonl, पंक्ति 83), संभाव्यता, कार्रवाई, लक्ष्य, "Wrong if" स्तर और प्रत्येक क्षितिज पर प्रवेश स्तर के साथ।

नोट: सभी मान उत्तर पंक्ति में सील किए गए हैं (उत्तर समय 12:36:50Z, बुक किया गया 13:24:17Z, 09:30 ET संदर्भ से पहले)। बिंदीदार पंक्ति प्रश्न के स्नैपशॉट में S&P 500 मूल्य है (asks/02577f9c….md); लक्ष्यों के माध्यम से पंक्ति क्षितिज को पढ़ने के लिए जोड़ती है और एक पथ नहीं है। प्रवेश स्तर उत्तर पंक्ति का items.SPX.6m.entry क्षेत्र है; council-forecasts.csv की entry पंक्ति इस सेल के लिए खाली है।

3.9 खाली सेल

एक उत्तर का प्रत्येक सेल स्कोर किया जाता है। एक सेल जो कोई मॉडल खाली छोड़ता है, वह 50% गिनता है, Brier 0.25, कोई पक्ष नहीं (counted_50); यह सिक्के को हरा नहीं सकता लेकिन एक कठिन बाजार पर सिक्के से बदतर प्रदर्शन को छिपा सकता है, इसलिए मैं खाली सेल की गिनती प्रत्येक स्कोर के साथ रिपोर्ट करता हूं (आवश्यकता 8)। एक सीट जो कोई उत्तर पंक्ति नहीं भेजती है, वह no_answer के रूप में दर्ज की जाती है और उस चलाने के स्कोर से अनुपस्थित है। भरा हुआ 0.25 सीट के सेवा स्कोर से संबंधित है। सर्वसम्मति और समझौता गणना वास्तव में दिए गए संभावनाओं से बनाई जाती है, और of क्षेत्र उन्हें गिनता है। प्रत्येक सीट के पास इसलिए प्रत्येक क्षितिज पर तीन परिणाम होते हैं, प्रत्येक अपने आप पर रैंक किए गए होते हैं: कथित संभावनाओं पर Brier स्कोर, समय सीमा से पहले अपेक्षित सेल का हिस्सा, और सेवा स्कोर। पोर्टफोलियो अपनी तालिका में चौथा परिणाम है। एक संयुक्त स्कोर यह छिपाएगा कि क्या कोई सीट निर्णय, समयपूर्णता या ट्रेडिंग पर हार गई।

उत्तरों से पहले अपेक्षित सेल ज्ञात होने चाहिए। मानक सीटें, बाजार, क्षितिज, समय सीमा और पुनः प्रयास नीति के साथ अपेक्षित उत्तरों की एक सूची मांगता है, प्रथम प्रश्न से पहले सील किया गया (आवश्यकता 13), ताकि प्रत्येक अपेक्षित सेल एक स्थिति में समाधान हो (गिना, counted_50, no_answer या अस्वीकृत)। चलाने की पंक्ति पक्ष द्वारा सूची को ले जाती है, और 21 अक्टूबर 2026 से सूची पहले प्रश्न से पहले सील की जाती है, बाहर जाने वाले प्रश्नों की श्रृंखला में (asks.jsonl)। सूची घोषित अनुसूची के विरुद्ध पूर्णता की जांच करती है। प्रत्येक बाहर जाने वाले प्रश्न का हैश, जब भेजा जाता है तो सील किया जाता है, वह भेजे गए चलाने की जांच करता है (आवश्यकता 13)।

3.10 एक मॉडल संस्करण में परिवर्तन, एक सुधार, एक नियमों में परिवर्तन

एक सीट एक परिचालन प्रतिभागी है; एक मॉडल संस्करण एक समय-विशिष्ट कार्यान्वयन है, और रिकॉर्ड दोनों को रखता है। जब किसी सीट का संस्करण बदलता है, तो इसका खाता चलता है, परिवर्तन को दिनांकित किया जाता है, नए संस्करण के बाद से परिणाम अलग से दिखाया जाता है (new_model_version), प्रत्येक संस्करण को दिन से अपना खाता मिलता है जब वह संभाला गया (_ver:<model>:<n>), और एक चलना जिसमें एक संस्करण बदल गया है, फ़्लैग किया जाता है (seat_versions_in_run)।

एक सुधार एक नई पंक्ति है जो उन पंक्तियों का नाम देती है जिनसे यह संबंधित है (of), और सुधारी गई पंक्ति जैसा लिखा गया है वैसा ही रहता है। कीमतें एक ही नियम का पालन करती हैं: प्रोटोकॉल घोषित करता है कि 22 अक्टूबर 2026 से एक सुधारी गई संदर्भ या समापन कीमत अपने स्रोत और कारण के साथ एक सील सुधार पंक्ति के रूप में प्रवेश करती है, और पहले वाली स्कोर पंक्ति को फिर से नहीं लिखा जाता है (arena-protocol.json में price_corrections)। 20 अक्टूबर को पुस्तक की 211 पंक्तियों में से 47 सुधार थे: कुछ पहले चलाने से चलाने की रसीदों से उत्तरों का मॉडल और मोड बहाल करते हैं, अन्य रिकॉर्ड करते हैं कि एक फिर से सील किया गया उत्तर एक पहले की पंक्ति के बराबर है (same_as, council-forecasts-copies.csv में पुरानी प्रतियां)। मानक उत्तर पंक्ति में ही मॉडल, संस्करण और मोड की आवश्यकता है, या, एक अंधे मौसम में, उनके लिए एक नमकीन प्रतिबद्धता (आवश्यकता 1)।

पद्धति में परिवर्तन कार्य को बदलता है और एक नया मापन खंड खोलता है (आवश्यकता 15)। एक पुष्टिकारी स्कोर, एक युग्मित लाभ या एक पोर्टफोलियो तुलना एक पद्धति संस्करण के अंदर गणना की जाती है, या संस्करण अलग खंडों के रूप में रिपोर्ट किए जाते हैं; एक नए नियम के तहत फिर से स्कोर किए गए पुरानी पूर्वानुमानों को एक वैकल्पिक विश्लेषण के रूप में लेबल किया जाता है। एक दावा जो एक स्तर-2+ तत्व पर निर्भर करता है, उस तत्व के बाद बनाई गई सील को कवर करता है जो सार्वजनिक फ़ाइलों में दिखाई देते हैं।

3.11 पहले का प्रमाण: तीन गुण

मैं एक पूर्वानुमान रिकॉर्ड को proof-of-before कहता हूं जब कोई तीसरा पक्ष, सार्वजनिक फ़ाइलों और Bitcoin श्रृंखला का उपयोग करके, नीचे दिए गए गुणों को स्थापित कर सकता है, और जब रिकॉर्ड कहता है कि उनमें से कौन किस पर निर्भर करता है। पुस्तक पंक्ति $i$ में रखा गया एक पूर्वानुमान $f$ मान लीजिए, समय $t_R$ पर संदर्भ मूल्य और समय $t_E$ पर परिणाम। मान लीजिए स्टैम्प $k$ पहली $m_k$ पंक्तियों को डाइजेस्ट $D_k = H(\ell_1 \Vert \dots \Vert \ell_{m_k})$ के माध्यम से प्रतिबद्ध करता है, और इसका प्रमाण मुहरबंद सूची को ब्लॉक $b_k$ में हेडर समय $T_k$ के साथ रखता है। खनन का सच्चा समय हेडर समय का अनुसरण कर सकता है, इसके लिए मार्जिन $\tau$ लिखें: व्यावहार में कुछ घंटे, नीचे चर्चा की गई सीमा द्वारा।

P1a. एंकर के बाद कोई पुनर्निर्माण नहीं। प्रत्येक गणना किए गए पूर्वानुमान के लिए एक टिकट $k$ है जिसमें $m_k \ge i$ है। टिकट किया गया उपसर्ग, व्यावहारिक सीमा के अनुसार, $T_k + \tau$ से पहले मौजूद था, और इसमें बाद में किसी भी पंक्ति का जोड़, हटाना या पुनः लिखना $D_k$ को बदलता है, इसलिए यह अब ब्लॉक $b_k$ में प्रतिबद्ध डाइजेस्ट से मेल नहीं खाता। $T_k + \tau$ के बाद के प्रत्येक परिणाम के लिए यह परिणाम के बाद लिखे गए पूर्वानुमान को रद्द करता है।

P1b. संदर्भ से पहले प्रतिबद्धता। पूर्वानुमान $t_R$ से पहले सील किया गया था। 21 अक्टूबर 2026 से यह स्तर 2+ पर धारण करता है, किसी भी ऐसे व्यक्ति के लिए जो किसी भी प्राधिकरण और इसके प्रमाणपत्र को स्वीकार करता है: $t_R$ से पहले हस्ताक्षरित दो RFC 3161 टिकट एक टिकट की गई सूची पर जिसमें $m_k \ge i$ है। 21 अक्टूबर को दो प्राधिकारों ने पंक्तियों 1 से 222 को कवर करने वाली सूची पर हस्ताक्षर किए, रन पंक्ति (214) और आठ गणना किए गए उत्तर (215 से 222), 13:00:19 UTC पर, $t_R$ से 29 मिनट 41 सेकंड पहले, और तीन ने 13:23:37 UTC पर नौवां गणना किया गया उत्तर (224) को कवर करने वाली सूची पर हस्ताक्षर किए, $t_R$ से 6 मिनट 23 सेकंड पहले (परिशिष्ट B, चरण 9)। Bitcoin के लिए संदर्भ प्रत्येक पंक्ति की सील के बाद पहली एक-मिनट की पट्टी का बंद है, बैच के लिए 13:01Z और नौवें उत्तर के लिए 13:24Z, इसलिए निर्माण द्वारा क्रम वहां धारण करता है। 19 और 20 अक्टूबर के विकास सत्रों के लिए, इस संस्करण को स्कोर करने वाले सत्र, P1b चेन किए गए रिकॉर्ड (at, booked_at, prev, link) पर स्तर 1 पर आराम करता है। 20 अक्टूबर को एंकरिंग ब्लॉक $t_R$ के बाद गिरा (धारा 3.2)।

P2. कोई प्रतिस्थापन नहीं। $\ell_j$ के किसी भी क्षेत्र को $j \le m_k$ के लिए बदलने से $s_j$ बदलता है, इसलिए $\lambda_j$ और हर बाद की लिंक, इसलिए $D_k$। एक अनपहचानने योग्य प्रतिस्थापन के लिए SHA-256 का दूसरा प्रीइमेज या Bitcoin श्रृंखला का पुनः लेखन आवश्यक होगा, बशर्ते सत्यापनकर्ता के पास वह प्रमाण हो जो टिकट पर प्रकाशित था (नीचे खतरे का मॉडल)।

P3. प्रकट की गई सीलबंद रन के बीच कोई चयन नहीं। प्रत्येक मॉडल और सत्र के लिए गणना की गई पंक्ति एक नियम द्वारा तय की जाती है जो रन से पहले घोषित किया जाता है और केवल सीलबंद टाइमस्टैम्प पर लागू किया जाता है। 21 अक्टूबर 2026 से वह नियम प्रकाशित शेड्यूल है, रन से पहले सीलबंद। रन के भीतर, प्रत्येक सीट का पहला सुगठित उत्तर सत्र 11 से गिनता है (asks.jsonl, पंक्ति 74 में घोषित)। धारा 3.4 विकास सत्रों का नियम देती है। हर दूसरी सीलबंद रन पुस्तक में बनी रहती है, लेबल की गई, और एक पाठक यह पुनः गणना कर सकता है कि कौन सी पंक्ति गिनती है। पूर्ण रूप भी उन रन को कवर करता है जिन्हें पूछा गया था और अनसीलबंद छोड़ा गया था: प्रत्येक आउटगोइंग प्रश्न का हैश जब भेजा जाता है तो सीलबंद होता है (स्तर 2+)। 21 अक्टूबर 2026 से ये हैश asks.jsonl में चेन किए गए हैं।

खतरे का मॉडल। एक टाइमस्टैम्प साबित करता है कि एक डाइजेस्ट मौजूद था। यह इसके बारे में कुछ नहीं कहता कि अन्य डाइजेस्ट इसके आगे टिकट किए गए थे। एक ऑपरेटर जो पुस्तक और प्रमाण दोनों को होस्ट करता है वह प्रत्येक रन पर दो पुस्तकों को टिकट कर सकता है और बाद में पुस्तक और प्रमाण को एक साथ बदल सकता है; विकल्प Bitcoin के विरुद्ध सत्यापित होता है, और एक समय-टिकटिंग प्राधिकार के विरुद्ध भी। आवश्यकता 3 इसलिए प्रत्येक टिकट पर, टिकट की गई सूची का SHA-256 कम से कम एक परिशिष्ट-केवल चैनल पर प्रकाशित करना आवश्यक बनाती है जिसे ऑपरेटर नियंत्रित नहीं करता (एक संग्रहीत जमा, एक सार्वजनिक संस्करण-नियंत्रण होस्ट या एक वेब संग्रह कैप्चर) और प्रमाण पृष्ठ पर चैनलों का नाम दें। 22 अक्टूबर 2026 से प्रत्येक टिकट की गई सूची टिकट पर Sigstore Rekor पारदर्शिता लॉग में प्रवेश करती है, और पहले के दिनों की सूचियां 21 अक्टूबर 2026 को 23:45 और 23:47 UTC के बीच इसमें प्रवेश करीं (तालिका 5)। लॉग में एक सूची के लिए, P1a और P2 इसके लॉग समय से सभी के विरुद्ध धारण करते हैं, और उस समय से पहले किसी भी पक्ष के विरुद्ध जो एक पहले का प्रमाण रखता है, या स्वतंत्र संग्रह से पुनः प्राप्त कर सकता है।

तालिका 4 प्रत्येक गुण को प्रोटोकॉल के तत्व के विरुद्ध निर्धारित करती है जो इसे देता है और वह स्तर जिस पर एक पाठक इसे जांच सकता है।

तालिका 4. प्रमाण-पहले: प्रोटोकॉल का कौन सा तत्व प्रत्येक गुण देता है, और किस स्तर पर।

P1a की रिज़ॉल्यूशन घंटों की है, और इसकी सीमा व्यावहारिक है। बाहरी समय नेटवर्क द्वारा स्वीकृत श्रृंखला में एक ब्लॉक का समय है, और उस ब्लॉक का हेडर समय खनिक द्वारा सेट किया जाता है। सर्वसम्मति नियम इसे पिछले 11 ब्लॉक के माध्यिका समय से नीचे से और नोड्स की नेटवर्क-समायोजित घड़ियों से लगभग दो घंटे आगे तक से परिबद्ध करते हैं जो इसे स्वीकार करते हैं (Bitcoin Developer Documentation, n.d.)। न तो नियम तय करता है कि इसके हेडर समय के कितने समय बाद एक ब्लॉक वास्तव में खनन किया गया था। साधारण संचालन में माध्यिका वास्तविक समय से लगभग एक घंटे पीछे है, इसलिए लंगरबद्ध पाचन $T_k$ के कुछ घंटे बाद से मौजूद नहीं था। एक सत्यापनकर्ता जो अकेले सर्वसम्मति नियमों से एक सीमा चाहता है, कई पुष्टि बाद में एक ब्लॉक के हेडर समय का उपयोग करता है, और प्रत्येक सील पर एक हस्ताक्षरित कैलेंडर समय केवल एक समय-स्टैम्पिंग प्राधिकरण से आता है (स्तर 2+)। ब्लॉक 972,334 के लिए पिछले 11 ब्लॉक का माध्यिका समय 12:45:12Z था, इसके हेडर समय से 70 मिनट पहले। एक IETF Internet-Draft निर्दिष्ट करता है कि एक सत्यापनकर्ता Bitcoin-लंगरबद्ध अस्थायी प्रमाण की जाँच कैसे करता है (Fassbender, 2026)। 17, 19 और 20 अक्टूबर पर एंकरिंग ब्लॉक (971,796, 972,153 और 972,334) बुकिंग समय के एक घंटे के भीतर हेडर समय ले गए, और दिन क्षितिज के लिए, जो 16:00 ET पर हल होता है, इसकी सीमा परिणाम से पहले गिर गई; लंबे क्षितिज के लिए रिज़ॉल्यूशन अप्रासंगिक है। सत्र के भीतर सील और संदर्भ का क्रम P1b है।

3.12 विश्वास की सीढ़ी

"सत्यापित" AI पूर्वानुमानों के बारे में सार्वजनिक दावे तीन स्तरों पर आते हैं, अंतिम के ऊपर एक चौथा चरण (Figure 4)। स्तर 0 पर पाठक ऑपरेटर पर विश्वास करता है। स्तर 1 पर ऑपरेटर एक फिंगरप्रिंट या एक जंजीरदार रिकॉर्ड रखता है, जो साबित करता है कि एक बाद का पाठ एक पहले के हैश से मेल खाता है लेकिन यह नहीं कि हैश कब बनाया गया था। स्तर 2 पर फिंगरप्रिंट ऑपरेटर के बाहर लंगरबद्ध है, एक सार्वजनिक रिकॉर्ड में जिसे पुनः लिखा या बिना पता चले पीछे की तारीख नहीं दी जा सकती, और उपकरणों के साथ जाँचा जाता है जो ऑपरेटर नियंत्रित नहीं करता। स्तर 2+ स्तर 2 है प्लस प्रत्येक सील पर एक तीसरे पक्ष द्वारा हस्ताक्षरित समय (Section 3.2)।

Figure 4. विश्वास की सीढ़ी: ऑपरेटर पर विश्वास करें, ऑपरेटर फिंगरप्रिंट, ऑपरेटर के बाहर लंगर, और दो प्राधिकरणों से हस्ताक्षरित समय (स्तर 2+, RFC 3161, 21 अक्टूबर 2026 से)।

नोट: स्तर एक रिकॉर्ड के समय के बारे में पाठक को क्या विश्वास करना चाहिए इसका वर्णन करते हैं। स्तर 2+ RFC 3161 टोकन जोड़ता है, 21 अक्टूबर 2026 से लीग में, जब गिना गया उत्तरों को पकड़ने वाला रिकॉर्ड 09:30 ET ओपन से पहले हस्ताक्षरित था। आगमन पर सीलिंग, संदर्भ मूल्य सील के बाद, और गिना गया-रन नियम अलग-अलग आवश्यकताएं हैं (Section 3.13)।

संदर्भ कार्यान्वयन में लंगर स्तर 2 देता है P1a और P2 के लिए, किसी भी पक्ष के खिलाफ जिसके पास प्रमाण की एक स्वतंत्र प्रति है, और सभी के लिए Rekor लॉग में प्रविष्ट प्रत्येक मुहरबंद सूची के खिलाफ (Section 3.11)। P1b गिने गए रिकॉर्ड में स्तर 2+ पर खड़ा है (Section 3.11)। P3 ऑपरेटर के जंजीरदार रिकॉर्ड पर स्तर 1 पर और, 21 अक्टूबर 2026 से, एक पहले से घोषित गिने गए-रन नियम पर निर्भर करता है। सीढ़ी घड़ी में विश्वास को मापती है। एक पाठक कीमतों या कौशल के बारे में क्या दावा कर सकता है यह एक दूसरी सीढ़ी पर चढ़ता है, दावों की सीढ़ी (Table B1, Appendix B): प्रकाशित नियम, पुनः गणना की गई फाइलें, एक सत्यापित बाहरी प्रतिबद्धता, एक स्वतंत्र मूल्य स्रोत के साथ समेटे गए परिणाम, इसकी खिड़की से पहले जमे हुए एक आगामी युग्मित मूल्यांकन, और एक दूसरे पाइपलाइन द्वारा प्रतिकृति। यह दूसरी सीढ़ी Section 8 के पंजीकृत तुलनाओं में समाप्त होती है।

3.13 प्रस्तावित मानक की जाँच सूची

मैं नीचे आवश्यकताओं को लिखता हूँ जैसे एक स्टेडियम, बेंचमार्क या फंड तब अपनाता है जब यह दावा करता है कि मानक का पालन करता है। MUST एक आवश्यकता को चिह्नित करता है जिसके बिना दावा नहीं होता; SHOULD स्तर-2+ विनिर्देश को चिह्नित करता है।

1. MUST प्रत्येक कार्य को एक ईवेंट अनुबंध द्वारा परिभाषित करें जो प्रश्न जारी होने से पहले तय किया जाता है, कम से कम तालिका 1 के फ़ील्ड के साथ, जिसमें प्रत्येक संकेतक का मूल्य स्रोत (विक्रेता, प्रतीक, बार आकार और संदर्भ और टर्मिनल मूल्य के लिए टाइमस्टैम्प नियम) शामिल है; पूर्वानुमान परिणाम जो भविष्य में निहित हैं; और उत्तर पंक्ति में ही मॉडल, इसके संस्करण और इसके मोड को सील करें। एक अंधे सीजन में पंक्ति उन्हें एक नमकीन SHA-256 प्रतिबद्धता के रूप में ले जाती है, $H(\mathit{salt} \Vert \mathit{model} \Vert \mathit{version} \Vert \mathit{mode})$, और नमक सीजन के बाद प्रकाशित होते हैं, इसलिए पहचान सील पर तय होती है और सीजन खत्म होने तक छिपी रहती है।
2. MUST एक append-only, hash-chained रिकॉर्ड रखें जिसमें प्रत्येक पंक्ति को प्रवेश करते समय सील किया जाता है, प्रश्न पाठ और मूल्य स्नैपशॉट को रन में हैश किया जाता है, प्रश्न प्रकाशित किया जाता है, और एक सुधार एक नई पंक्ति है जो उन पंक्तियों को नाम देती है जिनसे वह संबंधित है।
3. MUST प्रत्येक रन (स्तर 2) पर ऑपरेटर के बाहर रिकॉर्ड के शीर्ष को लंगर डालें, प्रमाण प्रकाशित करें, अपनी सीमा और मार्जिन के साथ बाउंड बताएं, और प्रत्येक टाइम-स्टैम्पड डाइजेस्ट को टाइम-स्टैम्पिंग के समय कम से कम एक append-only चैनल पर प्रकाशित करें जिसे ऑपरेटर नियंत्रित नहीं करता है।
4. MUST प्रत्येक साधारण ईवेंट के लिए एक संदर्भ मूल्य लें, सील के बाद, प्रत्येक उपकरण के लिए प्रकाशित नियम द्वारा; बाद में सील की गई एक पंक्ति अपना स्वयं का संदर्भ प्राप्त करती है और एक अलग ईवेंट है। पूर्वानुमान को एकत्र किया जाता है (सहमति, समझौता, साझा त्रुटि की गिनती, मॉडल के बीच तुलना) केवल तब जब उनके ईवेंट अनुबंध के प्रत्येक फ़ील्ड सहमत हों।
5. MUST प्रत्येक रन को, गिना गया हो या नहीं, अपने लेबल के साथ प्रकाशित करें।
6. MUST प्रत्येक सेशन का गिना हुआ रन एक नियम द्वारा तय करें जो रन से पहले घोषित किया जाता है (उदाहरण के लिए, एक प्रकाशित शेड्यूल), और शायद इसे हैश के साथ एक चैनल पर घोषणा प्रकाशित करें जिसे ऑपरेटर नियंत्रित नहीं करता है। इसके बाद रनों पर लागू किया गया एक नियम जो बनाए गए थे, इसे पूरा नहीं करता है।
7. MUST ईवेंट को कड़ाई से सही नियम द्वारा स्कोर करें: सभी पंक्तियों पर कड़ी वृद्धि का प्राथमिक Brier स्कोर, किसी फ़िल्टर्ड स्कोर के साथ दूसरा और जो पंक्तियों को ड्रॉप करता है उनकी संख्या; या, एक ड्रॉ बैंड के साथ, या तो बैंड के बाहर एक चाल दिए गए वृद्धि की संभावना के लिए पूछें, या तीन संभावनाओं के लिए पूछें और उन्हें तीन-परिणाम Brier स्कोर द्वारा स्कोर करें (अनुभाग 3.5)।
8. MUST खाली कक्ष और लापता उत्तरों को प्रत्येक स्कोर के साथ रिपोर्ट करें, सहमति से एक भरा हुआ मान रखें और समझौता गिनती करें, और किसी भी सेवा स्कोर के साथ प्रकाशित संभावनाओं, कवरेज पर गुणवत्ता अलग परिणामों के रूप में रिपोर्ट करें।
9. MUST प्रत्येक संपत्ति और क्षितिज के लिए uninformative 50% बेंचमार्क और एक जलवायु संबंधी बेस रेट रिपोर्ट करें, एक निश्चित विंडो पर अनुमानित जो सीजन से पहले समाप्त होता है और एक प्रकाशित हैश द्वारा सील किया जाता है, इसके विरुद्ध Brier कौशल स्कोर के साथ; एक भविष्यद्वाणी-बाजार मूल्य का उपयोग बेंचमार्क के रूप में किया जाता है यदि इसके कारोबार की मात्रा के साथ सील किया जाता है, और एक घोषित मात्रा फर्श प्राथमिक तुलना को परिभाषित करता है।
10. MUST केवल प्रति क्षितिज के न्यूनतम सेशन संख्या के बाद रैंक करें, सेशन द्वारा क्लस्टर किए गए अंतराल और, एक दिन से अधिक लंबे क्षितिज के लिए, अंतराल जो ओवरलैपिंग विंडो का सम्मान करते हैं; एक तुलना जोड़ीदार सेशन-स्तर Brier अंतर पर सटीकता के लिए नियोजित है, और कोई अंतर नहीं होने का दावा एक घोषित समतुल्यता मार्जिन के अंदर एक अंतराल की आवश्यकता है (अनुभाग 4.6)।
11. MUST डेटा और स्कोरिंग कोड प्रकाशित करें ताकि प्रत्येक स्कोर को एक तीसरे पक्ष द्वारा पुनः गणना की जा सकती है, और प्रत्येक पेपर संशोधन में एक अपरिवर्तनीय विश्लेषण रिलीज का हवाला दें जिसमें प्रत्येक फ़ाइल के लिए एक चेकसम हो (परिशिष्ट C)।
12. MUST प्रत्येक उत्तर को आगमन पर सील करें, एक बैच के लिए प्रतीक्षा किए बिना, और (स्तर 2+) प्रत्येक सील पर एक सार्वजनिक समय-स्टैम्पिंग प्राधिकरण से एक RFC 3161 टोकन प्राप्त करना चाहिए।
13. SHOULD (स्तर 2+) प्रत्येक बाहरी प्रश्न के हैश को सील करें जब वह भेजा जाता है, और अपेक्षित उत्तरों की सूची को इसकी समय सीमा और पुनः प्रयास नीति के साथ रन के पहले प्रश्न से पहले सील करें।
14. MUST मॉडलों की किसी भी प्रकाशित सहमति के साथ, एक ही सतह पर, उन घोषित संभावनाओं की संख्या जो इसमें प्रवेश करती हैं, उनका माध्य जोड़ीदार सहसंबंध और $N_{\text{eff}}$ अनुभाग 5.1 का उस रन और क्षितिज के लिए, ताकि एक पाठक देख सके कि समझौता के पीछे कितनी स्वतंत्र आवाजें खड़ी हैं।
15. MUST पद्धति में परिवर्तन को एक नए माप खंड की शुरुआत के रूप में और एक सुधार को एक जोड़ी गई पंक्ति के रूप में मानें जो मूल को जगह में छोड़ देता है; पुष्टिकरण स्कोर एक खंड के भीतर गणना की जाती है (अनुभाग 3.10)।
16. MUST, जहां पाठक मॉडल के बगल में पूर्वानुमान करते हैं: प्रत्येक पाठक को एक बार और बेतरतीब ढंग से असाइन करें, कभी भी पुनः असाइन न करें; प्रति बाजार, पहचान और सेशन में एक पहली पूर्वानुमान की गिनती करें; संदर्भ समय पर पाठक पूर्वानुमान बंद करें; एक रीसेट पहचान को एक नए पाठक के रूप में मानें और रीसेट का हिस्सा रिपोर्ट करें; पहली स्कोर की गई पूर्वानुमान से पहले डेटा शब्दकोश में अंधे समूह को लेबल करें; और कोई भी पाठक का पता संग्रहीत न करें, सबसे अधिक इसके एक नमकीन हैश दिन के साथ दोहराए गए वोटों को कैप करने के लिए केवल उपयोग किया जाता है, न तो प्रकाशित करते हुए (अनुभाग 6)।
17. SHOULD स्कोर के बगल में अनुभाग 4 से 6 के निदान रिपोर्ट करें: सबसे बड़े eigenvalue और likeness मैट्रिक्स की भागीदारी अनुपात का हिस्सा, प्रत्येक सीट की विशिष्टता की दो गिनती, ब्लॉक के रूप में पक्षों का परीक्षण, एक ओवरलैप गिनती में प्रवेश करने वाली प्रत्येक उद्धृत लिंक के लिए एक fetch रिकॉर्ड, prices-only arm, एक फ्रोजन पैकेट के तहत संभावना दोहराव, प्रत्येक भीड़ पंक्ति पर bid, ask और last-trade समय, और कोई भी खाता के turnover और एक no-trade shadow के बगल में लागत।

चेकलिस्ट का एक हिस्सा कोड के रूप में चलता है। लीग, event contract को JSON स्कीमा (event-contract.schema.json) और Python मानक लाइब्रेरी के साथ लिखा गया एक standalone checker (tools/conformance.py, डेटा के समान पते पर, SHA-256 e1f929a9…63db2e जैसा कि 21 अक्टूबर 2026, 22:33 UTC को प्राप्त किया गया था, tools/archive/conformance-e1f929a9.py पर अपरिवर्तित रखा गया है; environment.json अपनी तारीख और हैश के साथ checker का हर संस्करण सूचीबद्ध करता है) के रूप में प्रकाशित करता है। पूर्ण contract नौ keys हैं—asset, horizon, reference time, end time, rule, resolver version, reference rule, price provider और price symbol—और इसका event_id_v2 ev2- है जिसके बाद उनके canonical JSON के SHA-256 के पहले 16 hexadecimal अंक हैं (sorted keys, कोई space नहीं, UTF-8)। पहला identifier, event_id (ev1-, पहली पाँच keys), इसके साथ बना रहता है, इसलिए कोई प्रकाशित identifier कभी नहीं बदलता। दो लीग जो समान contract लिखती हैं, समान identifier प्राप्त करती हैं, इसलिए requirement 4 की test हर field के लिए identifiers की तुलना बन जाती है जो परिणाम को निर्धारित करता है, और scoring rules उसी row पर sealed methodology version द्वारा निर्धारित होते हैं। checker प्रत्येक row को schema के विरुद्ध validate करता है, इसका identifier rebuild करता है, समय, probability range और outcome fields की जाँच करता है, एक identifier को reject करता है जो दो events के लिए उपयोग किया जाता है, और प्रत्येक row के methodology version की आवश्यकता है (requirement 15)। कोई भी लीग अपने निर्यात पर python3 conformance.py its.csv चला सकती है। लीग की forecasts file पर 21 अक्टूबर 2026, 22:33 UTC को, इसने "3792 rows, OK" reported किया, दोनों identifiers के साथ हर row पर rebuilt। एक pass एक well-formed record दिखाता है, और Table 5 requirement द्वारा requirement conformance को पढ़ता है।

Table 5 प्रत्येक requirement के विरुद्ध reference implementation की स्थिति देता है। एक claim जो requirement पर rest करता है, वह उस तारीख से hold करता है जब requirement पूरी हो जाती है। "Met" का अर्थ है 21 अक्टूबर 2026 को 15:05 UTC पर सार्वजनिक files में visible है (note देखें), "Partly met" का अर्थ है requirement का हिस्सा वहाँ visible है, और "In progress" का अर्थ है implementation चल रहा है, पहले से ही मौजूद parts इसके बगल में सूचीबद्ध हैं।

Table 5. Reference implementation की conformance, जैसा कि 21 अक्टूबर 2026 को पढ़ा गया है (requirement 3 पर 22 अक्टूबर 2026)।

नोट: 21 अक्टूबर 2026 को 15:05 UTC पर सार्वजनिक फ़ाइलों में और प्रूफ पृष्ठ पर स्थिति जैसा पढ़ी गई है (council-stats.json 14:51:50 UTC पर जनरेट किया गया, 230 पंक्तियों का council-book.jsonl); आवश्यकता 1 उसी दिन 22:33 UTC पर जांची गई है (अनुभाग 3.13), और आवश्यकता 3 22 अक्टूबर 2026 को 00:00:16 UTC पर Rekor लॉग में दर्ज की गई है (परिशिष्ट B, चरण 10)।

4. उपाय

प्रोटोकॉल यह तय करता है कि क्या कहा गया था और कब। उपाय उस रिकॉर्ड को स्कोर में बदलते हैं; एक साथ वे पूर्वानुमान मूल्यांकन हैं जो मानक की आवश्यकता है। मैं प्रत्येक उपाय का वर्णन करता हूँ जैसा कि पद्धति (संस्करण 2) और लीग प्रोटोकॉल (arena-3, Pro लीग pro-1) में प्रकाशित किया गया है और, जहाँ मानक अधिक माँगता है, वह आवश्यकता। अनुभाग 5 लाइव डेटा पर निर्भरता मानों की रिपोर्ट करता है, और सटीकता के परिणाम इस पत्र के दिनांकित संशोधनों के रूप में आते हैं।

4.1 दिशा

क्या सूचक क्षितिज के अंत में संदर्भ से अधिक या कम था, और क्या मॉडल की प्रायिकता ने उस पक्ष का समर्थन किया? 50 से ऊपर वृद्धि का समर्थन करता है, 50 से नीचे गिरावट का, बिल्कुल 50 न तो। 51% की घोषणा और 95% की घोषणा समान हिट अर्जित करती है, इसलिए दिशा एक आत्मविश्वासी मॉडल को संकोची मॉडल से अलग नहीं बता सकती, और मुख्य उपाय Brier स्कोर है।

4.2 Brier स्कोर

वृद्धि की घोषित प्रायिकता $p$ (प्रतिशत में) और परिणाम $o \in \{0, 1\}$ वाले पूर्वानुमान के लिए,

$$B = \left(\frac{p}{100} - o\right)^2 ,$$

और $n$ सुलझे हुए पूर्वानुमानों पर एक मॉडल का स्कोर माध्य $\bar B = \frac{1}{n}\sum_{j=1}^{n} B_j$ है (Brier, 1950), पूर्ण पूर्वानुमान के लिए 0 से लेकर सबसे खराब के लिए 1 तक। Brier स्कोर यह घटना जिसके लिए इसकी गणना की जाती है, के लिए कड़ाई से उचित है (Gneiting & Raftery, 2007); लीग के प्रश्न के लिए वह घटना सभी पंक्तियों पर कड़ी वृद्धि है (अनुभाग 3.5, आवश्यकता 7)।

4.3 निरर्थक 50% बेंचमार्क और जलवायु विज्ञान

एक पूर्वकता जो हमेशा 50% कहता है, हर पूर्वानुमान पर 0.25 का स्कोर करता है। यह निरर्थक 50% बेंचमार्क है (लीग की फाइलों का "सिक्का"), एक तटस्थ संदर्भ। एक पूर्वकता जो वृद्धि की आधार दर को जानता है, दिन के बारे में कोई कौशल के बिना 0.25 से नीचे स्कोर कर सकता है, और लंबे क्षितिजों पर आधार दर आधे से बहुत दूर हो सकती है। मैं इसलिए एक जलवायु संबंधी बेंचमार्क जोड़ता हूँ (आवश्यकता 9): प्रत्येक संपत्ति और क्षितिज के लिए एक ही घटना की कड़ी वृद्धि की आवृत्ति, एक निश्चित विंडो पर अनुमानित है जो मौसम से पहले समाप्त होती है और पद्धति में सील की जाती है, Brier कौशल स्कोर के साथ

$$\mathrm{BSS} = 1 - \frac{\bar B}{\bar B_{\text{clim}}}$$

उसी पंक्तियों पर। एक ही घटना का अर्थ है वह घटना जिसे अनुबंध स्कोर करता है: दिन के लिए, संदर्भ से टर्मिनल कीमत तक तालिका 1 के मूल्य-स्रोत नियम द्वारा (09:30 से 16:00 ET, उपज से 15:00 ET, Bitcoin से सील मिनट से 16:00 ET)। लंबे क्षितिजों के लिए यह सत्रों या कैलेंडर दिनों की समान गणनाओं पर चलता है (अनुभाग 3.7)। एक अलग घटना की आधार दर बेंचमार्क को पूर्वाग्रहपूर्ण बना देगी।

संदर्भ कार्यान्वयन में निश्चित जलवायु विज्ञान council-calibration.json का क्षेत्र climatology_fixed है: प्रति संपत्ति और क्षितिज, p_up, 2016 से 2025 की कड़ी वृद्धि की आवृत्ति हर पंक्ति की गणना के साथ, p_up_ex_draw, आकर्षण को छोड़कर वही, गणना n और n_independent, विंडो और नियम। प्राथमिक बेंचमार्क $q$ = p_up है, क्योंकि प्राथमिक Brier स्कोर सभी पंक्तियों की गणना करता है। p_up_ex_draw लीग के अपने कौशल स्कोर को बिना आकर्षण के (bss_reference) परोसता है। क्षेत्र council-clim-window.json द्वारा सील किया गया है, डेटा पते के तहत प्रकाशित, 2810d11e…3cabb7 के साथ, इसकी सामग्री का SHA-256: Python का json.dumps इसके sha256 कुंजी के बिना वस्तु, क्रमबद्ध कुंजियों और डिफ़ॉल्ट सेटिंग्स के साथ। दाखिल स्क्रिप्ट $q$ को पढ़ने से पहले इस सामग्री हैश को फिर से गणना करती है। क्षेत्र 21 अक्टूबर 2026 को 08:54 UTC पर लाइव फाइल में प्रविष्ट किया गया था, इसकी सामग्री हैश जाँचें (sha256_ok), और यह प्राथमिक तुलना का बेंचमार्क है। जहाँ लाइव विंडो के पास दैनिक इतिहास नहीं है, वहाँ निकटतम दैनिक घटना खड़ी होती है: सोने, WTI, Brent, तांबे और डॉलर सूचकांक के लिए दैनिक बार, 10-वर्ष की उपज के लिए दैनिक बंद, Bitcoin के लिए UTC दिन और एक सप्ताह से, खुले से चलना। चार US इक्विटी सूचकांक 09:30 से 16:00 ET सत्र के दैनिक बार से अपना, वह घटना जिसका उत्तर मॉडल देते हैं, और प्राथमिक परीक्षण भी केवल उन चारों पर रिपोर्ट किया जाता है (अनुभाग 8)। सन्निकटन $q$ को पूर्वाग्रहपूर्ण बनाते हैं और पूर्वानुमानों को अस्पर्श रखते हैं (अनुभाग 10)।

4.4 अंशांकन और तीक्ष्णता

कैलिब्रेशन यह पूछता है कि क्या बताई गई संभावनाएं बताई गई दर पर सच होती हैं। लीग दिशात्मक आत्मविश्वास कैलिब्रेशन की रिपोर्ट करता है: प्रत्येक हल की गई संभावना को उस पक्ष की ओर मोड़ा जाता है जिसे वह समर्थन देता है ($p < 50$ $100 - p$ बन जाता है परिणाम को पलटकर, और बिल्कुल 50 को छोड़ दिया जाता है), मुड़ी हुई पूर्वानुमानें चार बिन में आती हैं, [50, 60), [60, 70), [70, 80) और [80, 100], और प्रत्येक बिन बताई गई संभावना का माध्य और उस हिस्से को दिखाता है जो सच हुआ, 20 पूर्वानुमानों से प्लॉट किया गया (calib_min)। मुड़ना यह मापता है कि क्या समर्थित पक्ष में आत्मविश्वास उस पक्ष पर हिट दर से मेल खाता है। एक वृद्धि की कच्ची संभावना का कैलिब्रेशन भी खुली पंक्तियों से संगणित किया जा सकता है। ब्रियर स्कोर कैलिब्रेशन अवधि और रेजोल्यूशन अवधि में विभाजित होता है (Murphy, 1973), और बिन उस विभाजन के लिए एक पठनीय साथी हैं।

बिन को कई पूर्वानुमानों की आवश्यकता है, इसलिए मैं प्रत्येक सीट, सर्वसम्मति और प्रत्येक क्षितिज के लिए लॉजिस्टिक कैलिब्रेशन फिट जोड़ता हूं $\operatorname{logit} P(Y=1) = a + b \operatorname{logit}(p)$ घटना की सभी पंक्तियों पर जिसे पूछा गया (Cox, 1958)। एक ढलान $b$ 1 से नीचे का अर्थ है कि बताई गई संभावनाएं आधे से बहुत दूर खड़ी हैं, 1 से ऊपर बहुत करीब; $a$ वृद्धि या गिरावट की ओर झुकाव को मापता है। ढलान प्रत्येक पूर्वानुमान का उपयोग करता है और एक मानक त्रुटि रखता है, सत्रों को एक साथ रखकर संगणित (Section 4.6)। समान फिट, अंतराल क्लस्टर किए गए घटना के साथ, Polymarket कीमतों पर लागू किया गया है (Walker, 2026)।

कैलिब्रेशन को तीक्ष्णता के साथ मिलकर निर्णय लिया जाता है, क्योंकि एक पूर्वानुमान करने वाला जो हमेशा 50% कहता है वह कैलिब्रेट और अनुपयोगी है (Gneiting et al., 2007)। मैं प्रत्येक सीट, सर्वसम्मति और क्षितिज के लिए भी मांग करता हूं,

$$K = \frac{2}{n}\sum_{j=1}^{n} \left| p_j - 50 \right| ,$$

0 से (हमेशा 50%) 100 तक (हमेशा निश्चित), केवल बताई गई संभावनाओं पर, और $K_{\text{clim}}$ Section 4.3 की जलवायु संभावना के साथ 50 की जगह पर। आधे के विरुद्ध तीक्ष्णता क्षितिज के साथ बढ़ने की अपेक्षा की जाती है जहां दीर्घकालिक आधार दरें आधे से दूर हैं; जलवायु के विरुद्ध तीक्ष्णता पूर्वानुमान करने वाले की अपनी है। न तो परिणाम की आवश्यकता है। 20 अक्टूबर 2026 की गिनती की गई चलन पर आठ सीटें जिन्होंने संदर्भ से पहले सील किया था, एक दिन में 9.2 की K थी, एक सप्ताह में 14.1, एक महीने में 13.9 और छह महीने में 20.3 (Figure 5; कोशिकाएं स्वयं Figure 6B में हैं)। वे एक समान अवसर से लगभग पांच अंक दूर थीं दिन के लिए और जो क्षितिज पर हल होता है उसके लिए सबसे निर्णायक थे, जिसका एक हिस्सा आधार दर है कि $K_{\text{clim}}$ हटाता है। 21 अक्टूबर 2026 पर नौ सीटों ने 10.1, 12.5, 14.6 और 19.9 दिए। अधिकांश बताई गई संभावनाएं 40 और 60 के बीच थीं। एक दिन में वह 20 अक्टूबर पर उनके 93% के लिए और 21 अक्टूबर पर 95% के लिए रखा गया था, और छह महीने के लिए भी आधे से अधिक (58% और 61%) के लिए।

Figure 5. क्षितिज द्वारा एक वृद्धि की बताई गई संभावनाएं: चलन 2026-10-20-am (आठ सीटें संदर्भ से पहले सील) और 2026-10-21-am (नौ सीटें)।

नोट: 2 अंक के चरणों में हिस्टोग्राम, समान क्षेत्र के लिए स्केल किया गया; छायांकित बैंड 40 से 60 तक चलता है। K = (2/n)Σ|p − 50| (Section 4.4)। 21 अक्टूबर पर नौवीं उत्तर की चार Bitcoin कोशिकाओं के पास उनका स्वयं का संदर्भ है (Section 3.3) और चलन के इस और हर दूसरे पूल किए गए पढ़ने से बाहर रखी गई हैं (428 of 432 कोशिकाएं)। स्रोत: council-forecasts.csv 22 अक्टूबर 2026, 01:32 UTC को सहेजा गया।

4.5 Baselines

लीग समान पंक्तियों को निश्चित आधार रेखाओं के विरुद्ध स्कोर करता है:

• Coin (प्रत्येक पूर्वानुमान पर 0.25)।
• Momentum: कल की एक ही संकेतक की दिशा एक निश्चित 55% पर, सर्वसम्मति के समान पंक्तियों पर स्कोर किया गया; लीग की प्रकाशित क्षेत्र ड्रॉ को छोड़ देता है, और पंजीकृत F15 इसे सभी पंक्तियों पर स्कोर करता है (Section 8.1)।
• Buy and hold (_hold_all), S&P 500 (_spy), 60/40 (_passive), Cash 13-सप्ताह के Treasury bill पर (_cash) और Random लीग के नियमों के भीतर (_random)।

पहले दो संभाव्यता अंकों के लिए बेसलाइन हैं, और अन्य पाँच मॉडल के समान लागत और निष्पादन के तहत चलाए गए पोर्टफोलियो हैं। Momentum एक सामान्य नियम की जाँच करता है। जब परिणाम कल से स्वतंत्र एक समान संभावना है, तो एक निश्चित 55% का स्कोर $0.5 \times (0.45^2 + 0.55^2) = 0.2525$ अपेक्षा में होता है। जलवायु संबंधी बेंचमार्क वह पट्टी है जो मानक को आवश्यक करता है। पद्धति एक अन-परिवर्तन बेसलाइन का नाम भी रखती है, एक बिंदु पूर्वानुमान जिसमें कोई संभाव्यता नहीं है, जो Brier तुलना के बाहर रहता है। परिषद की सहमति भी एक बेसलाइन है: मॉडल की संभावनाओं का माध्य, उच्चतम और निम्नतम को तब हटाया जाता है जब पाँच या अधिक उत्तर दें, समान परिवार की दूसरी सीट को एक तिहाई के रूप में भारित किया जाता है, और परिणाम को 2% से 98% के भीतर रखा जाता है।

औसत निकालने से एक लाभ मिलता है जो कौशल नहीं है। परिणाम $o$ और भार $w_i \ge 0$ के साथ एक घटना के लिए जो एक तक जोड़ते हैं, भारित माध्य $\bar p = \sum_i w_i p_i$ का Brier स्कोर सदस्यों के अंकों के भारित माध्य माइनस उनके भारित प्रसार के बराबर है (Krogh & Vedelsby, 1995):

$$(\bar p - o)^2 = \sum_i w_i (p_i - o)^2 - \sum_i w_i (p_i - \bar p)^2 .$$

सहमति इसलिए अपने द्वारा रखे गए सदस्यों के औसत से हार नहीं सकती है, एक सामान्य घटना पर, उनके कौशल की परवाह किए बिना; परिणाम को 2% से 98% के भीतर रखने से एक पंक्ति पर 0.0004 की लागत अधिकतम हो सकती है। यह खोज कि सहमति अपने औसत सदस्य को हराती है, यांत्रिकी से अपेक्षित है। इसके कौशल का मूल्यांकन सिक्के, जलवायु संबंधी आधार दर, भीड़ और पूर्ववर्ती अवधि के सर्वश्रेष्ठ एकल मॉडल के विरुद्ध किया जाता है, और प्रसार शब्द को सहमति स्कोर के बगल में रिपोर्ट किया जाता है (Section 5.3)।

4.6 30/10 नियम: कम से कम 10 ट्रेडिंग दिनों पर 30 पूर्वानुमान

एक मॉडल एक क्षितिज की तालिका में तभी प्रवेश करता है जब उसके पास उस क्षितिज पर कम से कम 30 resolved पूर्वानुमान हों और प्रत्येक में कम से कम 10 ट्रेडिंग सत्र हों जिनमें उस क्षितिज पर कम से कम एक resolved पूर्वानुमान हो। सील की गई पद्धति नियम और इसके कारण को एक क्षेत्र में बताती है: "एक दिन के 12 संकेतक एक साथ चलते हैं: लीग ट्रेडिंग दिनों को पूर्वानुमान के आगे दिखाता है, और एक मॉडल को कम से कम 10 ट्रेडिंग दिनों पर 30 resolved पूर्वानुमान के बाद रैंक किया जाता है" (independence)। नियम यह सीमित नहीं करता कि पूर्वानुमान उन सत्रों में कितनी असमान रूप से गिरते हैं, इसलिए तालिका प्रत्येक मॉडल की संख्या को इसके स्कोर के बगल में दिखाती है (days), और दूसरी स्थिति वह है जो बाँधती है। यदि एक सत्र के भीतर पूर्वानुमान एक सहसंबंध $\rho$ साझा करते हैं, तो एक सत्र से $k$ पूर्वानुमान लगभग $k/(1 + (k-1)\rho)$ स्वतंत्र लोगों की जानकारी रखते हैं, क्लस्टर नमूने का डिज़ाइन प्रभाव (Kish, 1965)। $k = 12$ और $\rho = 0.2$ के साथ, एक सत्र 3.75 स्वतंत्र पूर्वानुमान के बराबर है, और तीन सुबहों से तीस पूर्वानुमान लगभग ग्यारह के बराबर हैं। 10 ट्रेडिंग दिनों की आवश्यकता नमूने को विभिन्न समाचारों में फैलाने के लिए बाध्य करती है; एक क्षितिज के भीतर पुनः नमूने की इकाई सत्र है। 30/10 नियम पात्रता तय करता है, और शक्ति को नीचे माना जाता है। 30 October 2026 के सत्र के बाद पहली तालिका एक अनंतिम वर्णनात्मक क्रम है, और एक मॉडल जो पहले दस सत्रों में से किसी को भी मिस करता है बाद में पात्र हो जाता है।

सांख्यिकी फ़ाइल 5 स्कोर किए गए सत्रों (सत्र के माध्य पर Student t) और 20 सत्रों पर बूटस्ट्रैप से अंतराल प्रकाशित करती है, एक दिन के 12 संकेतकों के साथ एक क्लस्टर के रूप में (council-stats.json, sample.note)। 5 सत्रों से पहले कोई अंतराल नहीं दिखाया जाता है, और पंक्तियों पर परिकलित अंतराल एक दिन के बारह बाजारों को स्वतंत्र मानता है और बहुत संकीर्ण है। एक दिन से अधिक क्षितिज के लिए, क्रमिक पूर्वानुमान अपनी परिणाम विंडो के अधिकांश को साझा करते हैं, इसलिए मैं सत्रों में क्षितिज $h$ के लिए विषमलैंगिकता और स्वसंबंध सुसंगत अंतराल आवश्यक करता हूं, जिसमें lag $h-1$ है (Newey & West, 1987) या कम से कम $h$ सत्रों के ब्लॉक के साथ एक ब्लॉक बूटस्ट्रैप (Künsch, 1989), और $5h$ सत्रों से पहले कोई अंतराल नहीं (आवश्यकता 10)। 126 सत्रों के एक मौसम में वह नियम सत्र 25 से एक सप्ताह पर और सत्र 105 से एक महीने पर अंतराल देता है, और छह महीने पर कोई नहीं, जिसे 630 की आवश्यकता होगी। पुष्टिकारी दावे दिन पर, प्राथमिक क्षितिज पर, और सप्ताह और महीने पर टिके हैं जहां नियम पूरा होता है। छह महीने के परिणाम और दैनिक अंतराल इस मौसम में वर्णनात्मक हैं। कौशल का दावा पंजीकृत जांच तिथियों पर पढ़ा जाता है (अनुभाग 8), उनके बीच सत्र जो भी दिखाते हैं।

शक्ति उस तुलना से संबंधित है जिसका दावा किया जाएगा, एक युग्मित Brier अंतर। एक पूर्वानुमानक $A$ और एक बेंचमार्क $C$ के लिए एक ही घटनाओं पर, मान लीजिए $G_s$ सत्र $s$ की घटनाओं पर $B_{C} - B_{A}$ का माध्य है। सत्र माध्य का एक मानक विचलन $\sigma_G$ और एक घोषित सबसे छोटा प्रभाव $\delta$ के साथ, 5% पर 80% शक्ति के साथ एक द्विपक्षीय परीक्षण के लिए लगभग $n \approx 7.85\,\sigma_G^2/\delta^2$ स्वतंत्र सत्रों की आवश्यकता होती है। स्थायित्व संख्या को बढ़ाता है, और पंजीकृत विश्लेषण क्रमिक सत्रों को एक साथ रखता है (Diebold & Mariano, 1995; Künsch, 1989)। 126 सत्रों में फ़ाइल की Brier गणना (power_brier) सिक्के के नीचे 0.0105 की गिरावट का पता लगाती है, और 0.005 की गिरावट को 554 सत्रों की आवश्यकता होती है। यह दो सत्रों के 171 पूर्वानुमानों से एक्सट्रपोलेट करता है (फ़ाइल 21 अक्टूबर 2026, 05:33 UTC को उत्पन्न की गई थी, 20 अक्टूबर के डेटा पर; लाइव फ़ील्ड प्रत्येक रन को पुनः परिकलित किया जाता है), उनके पूर्वानुमान-स्तर मानक विचलन 0.062 और $\rho = 0.41$ को एक प्रॉक्सी के रूप में ले रहा है जब तक पाँच सत्र स्कोर न हो जाएं। यह सत्र 30 पर सत्र-स्तर के डेटा पर पुनः परिकलित किया जाता है, और पंजीकृत परीक्षण इस पर निर्भर नहीं करते हैं। फ़ाइल की हिट-दर गणना (power) 55% को 50% से बताने के लिए 209 सत्रों की आवश्यकता करती है, एक मानी गई $\rho = 0.2$ के साथ। बाइनरी भविष्यवाणी-बाजार प्रश्नों का एक स्वतंत्र विश्लेषण समान क्रम तक पहुंचता है: बाजार के ऊपर 0.02 की Brier बढ़त का पता लगाने के लिए लगभग 350 हल किए गए भविष्यवाणियां (Nechepurenko & Shuvalov, 2026a)।

एक नकारात्मक परिणाम को अपने स्वयं के नियम की आवश्यकता होती है। एक छोटा अनुमानित अंतर, निर्णय के लिए बहुत व्यापक अंतराल और कोई अंतर का साक्ष्य तीन निष्कर्ष हैं। मैं हर पुष्टिकारी तुलना के लिए एक समतुल्यता मार्जिन, ±0.01 Brier घोषित करता हूं, और "कोई महत्वपूर्ण अंतर नहीं" तभी पढ़ता हूं जब युग्मित अंतराल का 90% अंतराल (दो एक-पक्षीय परीक्षण 5% पर) पूरी तरह से इसके अंदर स्थित हो। मैंने मार्जिन चुना। यह दो-सत्र के एक्सट्रपोलेशन के करीब है जो 126 सत्र हल कर सकते हैं (power_brier, ऊपर), यह तब नहीं बदलता जब उस एक्सट्रपोलेशन को पुनः परिकलित किया जाता है, और यह एक स्कोरिंग सहनशीलता है, किसी भी आर्थिक थ्रेसहोल्ड से अलग।

4.7 पोर्टफोलियो लीग

संभावनाएँ निर्णय को मापती हैं। एक पोर्टफोलियो, एक माध्यमिक माप, दिखाता है कि एक मॉडल इसके साथ क्या करता है। 14 मॉडलों में से प्रत्येक एक ही नियमों के तहत $100,000 के नकली धन का प्रबंधन करता है: ग्यारह कारोबारी निधियाँ बाजारों का प्रतिनिधित्व करती हैं (VIX केवल एक संकेतक है), पद केवल 5% से 25% तक लंबे हैं, नकद 13-सप्ताह के ट्रेजरी बिल अर्जित करता है, हर डॉलर जो बदलता है वह 0.1% खर्च करता है, और एक निर्णय अपनी मुहर के बाद पहली खुली कीमत पर कारोबार करता है (09:30 से 09:45 ET की पहली कीमत)। "होल्ड" एक निर्णय है जिसमें कोई कारोबार नहीं है और कोई लागत नहीं है। एक निर्णय जो एक नियम तोड़ता है उसे अस्वीकार कर दिया जाता है, और पद होल्ड रहते हैं। प्रत्येक खाते को बंद करने पर इसके रिटर्न और अधिकतम ड्रॉडाउन के साथ चिह्नित किया जाता है, और 20 सत्रों से Sharpe और Sortino अनुपात (Sharpe, 1994; Sortino & Price, 1994)। पूर्ण नियम प्रोटोकॉल फ़ाइल में हैं (परिशिष्ट A, तालिका A1)। खाता उपकरण को स्कोर करता है, एक ट्रेजरी निधि उपज के लिए और एक निधि प्रत्येक वस्तु भविष्य के लिए, इसलिए एक निचला Brier स्कोर एक उच्च खाता मूल्य स्थापित नहीं करता है। इसके बजाय खाते की तुलना एक ही नियमों संस्करण के भीतर एक ही लागतों के तहत निष्क्रिय आधारभूत के साथ की जाती है।

4.8 Pro लीग

प्रत्येक मॉडल Pro लीग में एक दूसरा $100,000 खाता रखता है (pro-1), 5% से 30% इक्विटी के हस्ताक्षरित वजन और 100% से 200% के सकल जोखिम के साथ एक लंबा-छोटा किताब, इसलिए 2× तक लीवरेज; VIX यहाँ कारोबार किया जा सकता है। इसके आधारभूत S&P 500 लंबे समय तक आयोजित हैं और छोटे समय तक आयोजित हैं।

4.9 AI भीड़ के विरुद्ध

12 बाजारों में से 8 तक के लिए, भविष्यसूचक बाजार एक दैनिक प्रश्न का कारोबार करते हैं जो लीग के करीब है। प्रत्येक चलन के प्रश्न में उन्हें उनके पूर्ण समाधान नियमों के साथ सूचीबद्ध किया जाता है और प्रत्येक पर "ऊपर" की अपनी संभावना के लिए प्रत्येक मॉडल से पूछा जाता है, इसके उत्तर पंक्ति के एक अलग क्षेत्र में (crowd_up)। Polymarket, Kalshi या किसी भी सट्टेबाजी बाधाओं को देखने के लिए निर्देश प्रश्न में सील किया जाता है, और एक मॉडल का खोज जो लौटाता है वह सील के बाहर है। जहाँ Polymarket बाजार की सूची देता है, मॉडल Polymarket के प्रश्न का उत्तर देते हैं, और एक Kalshi प्रश्न केवल एक बाजार के लिए पूछा जाता है जो Polymarket सूची नहीं देता है (council-calibration.json, method.crowd_window)। भीड़ की कीमतें और कारोबार की गई मात्रा (vol) तब दर्ज की जाती हैं जब प्रश्न बाहर जाता है और चलन पंक्ति में सील किया जाता है (crowd.odds Polymarket के लिए, crowd.kalshi Kalshi के लिए)। 20 अक्टूबर को उन्हें 12:30:06Z पर दर्ज किया गया था, पहले मॉडल के शुरू होने से पहले। मैं कीमत को डिजाइन द्वारा छिपाता हूँ। एक मॉडल जिसे बाजार की कीमत दिखाई जाती है और इसे संशोधित करने के लिए कहा जाता है कुछ अनुबंधों पर बाजार को हरा सकता है (S. Kim et al., 2026), लेकिन इसका उत्तर तब भीड़ से स्वतंत्र साक्ष्य नहीं है। लीग दोनों को अलग रखता है: सील किया गया उत्तर कीमत के लिए अंधा है, और भीड़ के साथ किसी भी संयोजन एक अलग रणनीति है, इसे स्कोर किए जाने से पहले सील किया गया है (अनुभाग 5.3)। प्रत्येक तुलना अपनी सूचना घड़ी का नाम देती है: सील की गई कीमत प्रश्न समय पर भीड़ है, जबकि अंशांकन फ़ाइल प्रत्येक मॉडल के उत्तर की तुलना उस मॉडल के अपने उत्तर मिनट पर भीड़ की कीमत के साथ करती है, दोनों भीड़ के समाधान पर स्कोर किए गए हैं। समाधान के बाद लीग, प्रति प्रश्न, मॉडलों की संभावना और भीड़ की, प्रत्येक का Brier स्कोर और किनारे प्रत्येक को सही मिला (किताब पंक्ति crowd; council-league.json, क्षेत्र crowd)।

20 अक्टूबर को Polymarket ने छह दैनिक "ऊपर या नीचे" प्रश्नों की सूची दी (S&P 500, Dow, सोना, WTI, डॉलर सूचकांक और Bitcoin) और Kalshi ने पाँच (S&P 500, Nasdaq-100, 10-वर्षीय उपज, सोना और WTI): आठ बाजार, उनमें से तीन दोनों स्थानों पर। जहाँ दोनों स्थान एक बाजार की सूची देते हैं, मैं Polymarket अनुबंध का उपयोग करता हूँ, जिसका मॉडलों ने उत्तर दिया था; अन्यथा Kalshi अनुबंध। प्रत्येक भीड़ संभावना एक अनुबंध से आती है। एक Kalshi प्रश्न एक स्ट्राइक पर सेट किया जाता है, और इसकी कीमत दो आसन्न स्ट्राइकों के बीच प्रक्षेप द्वारा "पिछली बंद के ऊपर" में बदल दी जाती है (lo, hi चलन पंक्ति में)। प्रक्षेपित कीमत दो कारोबारी कीमतों से उस घटना की संभावना का अनुमान लगाती है, और दोनों पक्षों को तब अनुबंध द्वारा नामित स्रोत द्वारा कृत्रिम घटना पर स्कोर किया जाता है। मैं प्राथमिक तुलना में एक अनुबंध को स्वीकार करता हूँ जब इसकी सील की गई मात्रा प्रश्न बाहर जाने के समय कम से कम $1,000 है, और पतले अनुबंध को अलग से रिपोर्ट करता हूँ। सीमा दर्शाती है कि अनुबंध पर कितना पैसा कारोबार किया गया। आवश्यकता 17 प्रत्येक भीड़ पंक्ति पर बोली, पूछना और अंतिम कारोबार का समय माँगता है, क्योंकि Polymarket पर असंभावित परिणामों पर फैलाव व्यापक हैं (Dubach, 2026)।

भीड़ के प्रश्न लीग के करीब हैं, और उनकी घड़ियाँ भिन्न हैं। लीग का दिन 09:30 संदर्भ से 16:00 ET तक चलता है (उपज 15:00 ET तक); भीड़ के प्रश्न बंद के करीब चलते हैं और कई अन्य घंटों पर और अन्य स्रोतों से समाधान करते हैं: सोना और डॉलर सूचकांक 5:00 PM ET Pyth मोमबत्ती पर, WTI सक्रिय वायदा अनुबंध के दैनिक बंद पर, उपज ट्रेजरी के 3:30 PM पैर उपज पर, Bitcoin Binance पर दोपहर से दोपहर तक। मैं इसलिए भीड़ की अपनी शर्तों पर, अलग से प्राप्त संभावना के साथ, प्रश्न द्वारा प्रश्न तुलना करता हूँ। भविष्यसूचक-बाजार कीमतें एक मजबूत आधार हैं (Wolfers & Zitzewitz, 2004; Berg et al., 2008), और Kalshi के मैक्रोइकोनॉमिक अनुबंध बाजार की अपेक्षाओं के सर्वेक्षण और Bloomberg आम सहमति जितना सटीक पूर्वानुमान करते हैं (Diercks et al., 2026)। तीक्ष्णता (अनुभाग 4.4) की तुलना crowd_up से मॉडल दर मॉडल पर एक ही अनुबंधों पर की जाती है, क्योंकि भीड़ prob_up की घटना की कीमत नहीं लगाती है।

कितनी दूर तक घटनाओं का असमंजस एक स्कोर को हिला सकता है यह बिल्कुल कहा जा सकता है। मान लीजिए एक सूचकांक कल 100 पर बंद हुआ, 98 पर खुला और 99 पर बंद हुआ: यह पिछले बंद से गिरा और खुलने से बढ़ा। एक शेयर $d$ के $N$ पंक्तियों पर विपरीत परिणामों के साथ एक घटना के दो संस्करण हल हो जाएं, संभावनाएं और पंक्तियां निर्धारित हों। एक फ्लिप की गई पंक्ति पर एक पूर्वानुमान $p$ अपना ब्रियर स्कोर $(1-p)^2 - p^2 = 1 - 2p$ से बदलता है, निरपेक्ष मान में अधिकतम 1, इसलिए एक माध्य ब्रियर स्कोर अधिकतम $d$ से चलता है। पूर्वानुमानकर्ता $p$ और $q$ के बीच का अंतराल उस पंक्ति पर $2(q - p)$ से बदलता है, इसलिए अंतराल अधिकतम $\frac{2}{N}\sum_{j \in D} |p_j - q_j| \le 2d$ से चलता है, जहां $D$ फ्लिप की गई पंक्तियों का समुच्चय है। सीमाएं एक निश्चित नमूने पर निश्चित पूर्वानुमानों के लिए होती हैं। दो नियम इस प्रकार हैं। पूर्वानुमान एक सामान्य स्कोर में केवल एक घटना पर, एक संदर्भ मूल्य के साथ प्रवेश करते हैं (आवश्यकता 4)। और भीड़ के साथ प्रत्येक तुलना अपने हिस्से $d$ का बाजार-सत्र की रिपोर्ट करती है जिस पर दोनों प्रश्न विपरीत संकेतों के साथ हल होते हैं; $2d$ से अधिक नहीं का अंतराल किसी भी पक्ष के लाभ के रूप में नहीं पढ़ा जाता है।

4.10 ग्रिड: मॉडल × बाजार × क्षितिज

हर गिनता गया उत्तर एक त्रि-आयामी ग्रिड की एक कोशिका भरता है: ग्यारह तक काउंसिल मॉडल, 12 बाजार और चार क्षितिज (आकृति 6)। प्रत्येक कोशिका अपना स्वयं का ब्रियर स्कोर, हिट दर, कैलिब्रेशन और तीव्रता जमा करती है। ग्रिड उन प्रश्नों का उत्तर देती है जो एक एकल लीडरबोर्ड नहीं दे सकता: कौन से बाजार किस क्षितिज पर पूर्वसूचक हैं, क्या किसी मॉडल का किनारा एक संपत्ति वर्ग में बैठता है, और क्या महीना दिन से आसान है एक बार जब प्रत्येक को अपनी स्वयं की आधार दर के विरुद्ध मापा जाता है। सीमांत दृश्य council-league.json में प्रकाशित हैं (models, by_asset, by_horizon), पूर्ण पंक्तियां council-forecasts.csv में हैं।

आकृति 6। माप ग्रिड। (A) डिज़ाइन: मॉडल × बाजार × क्षितिज। (B) ग्रिड भरा: एक गिने हुए सुबह की सीलबंद संभावनाएं, 20 अक्टूबर 2026।

नोट: (A) कक्ष council-forecasts.csv की गिनती की गई पंक्तियों से भरे जाते हैं; एक कक्ष को केवल अनुभाग 4.6 के नियम के तहत रैंक किया जाता है। (B) आठ सीटें जिनके उत्तर 20 अक्टूबर 2026 पर 09:30 ET संदर्भ से पहले सील किए गए थे (चलन 2026-10-20-am), प्रति बाजार और क्षितिज एक कक्ष, वृद्धि की बताई गई संभावना से रंगीन और 50% पर केंद्रित। सीटें अपनी संभाव्यता चित्रों के पहले प्रमुख घटक पर अपने भार द्वारा क्रमबद्ध हैं, न कि देश द्वारा। स्रोत: council-forecasts.csv, 21 अक्टूबर 2026 को पढ़ा गया।

दिन के पूर्वानुमान प्रत्येक सत्र को हल करते हैं; स्कोर की गई लीग के पहले सप्ताह के पूर्वानुमान 26 अक्टूबर 2026 से हल होते हैं, पहले महीने के पूर्वानुमान लगभग 19 नवंबर 2026 के आसपास और पहले छह महीने के पूर्वानुमान अप्रैल 2027 में।

4.11 पुनरुत्पादनीयता

प्रत्येक स्कोर को खुली फ़ाइलों से पुनः संगणित किया जा सकता है। पोर्टफोलियो इंजन का कोड पाठ के रूप में प्रकाशित है, 19 फ़ाइलें और लीग की सेटिंग्स, प्रत्येक अपने SHA-256 के साथ (arena-code.json)। एक पुनर्गणना स्क्रिप्ट (replay.py) प्रत्येक खाते का मूल्य, नकद शेयर, फीस और वजन व्यापार और कीमतों से पुनः संगणित करता है। 20 अक्टूबर 2026 के अनुसार फ़ाइलों पर इसने प्रकाशन रंडिंग के भीतर 145 खातों की सभी 253 प्रकाशित पंक्तियों को पुनः प्रस्तुत किया (परिशिष्ट B, चरण 7)। एक दूसरी स्क्रिप्ट, tools/replay_brier.py उसी पते पर, council-forecasts.csv से प्रत्येक गिने गए पूर्वानुमान का Brier स्कोर और सीट, क्षितिज और पद्धति संस्करण द्वारा कुल की पुनः संगणना करता है, और इन्हें प्रकाशित आंकड़ों से तुलना करता है; 22 अक्टूबर 2026, 00:09 UTC की लाइव फ़ाइलों पर, इसने सभी 9,318 प्रकाशित संख्याओं को बिल्कुल मिलाया। council-forecasts.csv में प्रत्येक पूर्वानुमान पंक्ति वह पुस्तक लाइन नाम देती है जो इसे सील करती है (line), इसलिए प्रत्येक स्कोर एक सीलबंद उत्तर का पता लगाता है और वहाँ से एक टिकट युक्त उपसर्ग और एक Bitcoin ब्लॉक का पता लगाता है (परिशिष्ट B)। एक स्कोर लाइन इसके बाद की पहली टिकट द्वारा कवर की जाती है।

कोई भी प्रकाशित आउटपुट की पुनः संगणना कर सकता है। श्रृंखला और एंकर सीलबंद उत्तरों, उनके समय और उनके प्रश्नों को तय करते हैं। कच्ची मॉडल कॉल्स, मूल्य फ़ीड और तैनात कोड उनके हैश के साथ प्रकाशित हैं जैसा कि ऑपरेटर ने उन्हें आपूर्ति की है। संदर्भ और समापन कीमतों को दूसरे स्वतंत्र स्रोत के साथ समाहित करना दावों की सीढ़ी की परिणाम रंग है (तालिका B1)। क्योंकि लाइव फ़ाइलें प्रत्येक रन पर बदलती हैं, प्रत्येक संशोधन Zenodo (10.5281/zenodo.23552700) पर एक अपरिवर्तनीय विश्लेषण रिलीज का उद्धरण देता है जिसमें प्रत्येक फ़ाइल का SHA-256, आकार और पुनर्प्राप्ति समय का एक मैनिफेस्ट है (परिशिष्ट C)।

5. कितनी स्वतंत्र आवाज़ें

लीग के पास ग्यारह पूर्वानुमान सीटें हैं। इस आकार की एक परिषद कई मतों जैसी दिखती है, और लीग यह गिनने के लिए बनाई गई है कि यह कितनी रखती है। यदि N पूर्वानुमानकर्ताओं की त्रुटियाँ एक सामान्य ρ पर सहसंबंधित होती हैं, तो उनका औसत

N_eff = N / (1 + (N − 1)ρ)

स्वतंत्र पूर्वानुमानकर्ताओं का साक्ष्य रखता है, और जैसे-जैसे N बढ़ता है, N_eff 1/ρ के करीब पहुँचता है और वहीं रुक जाता है। यह सूत्र क्लस्टर सैंपलिंग का डिज़ाइन प्रभाव है (Kish, 1965), और आश्रित विशेषज्ञों के मूल्य की संतृप्ति पूर्वानुमान संयोजन के लिए दिखाई गई थी (Clemen और Winkler, 1985)। संगत पत्र इसे AI मॉडल के पैनलों पर लागू करता है (Chernets, 2026a)। यह सीमा इस बात पर निर्भर नहीं करती कि कितने मॉडल पूछे गए थे। ρ = 0.5 पर एक हज़ार मॉडल दो गवाहों के बराबर हैं, और एक बार परिषद 1/ρ से बड़ी हो जाए, तो ρ को कम करना सदस्यों को जोड़ने से अधिक लाभदायक है। इनपुट को मापा जाता है। जब दो भाषा मॉडल दोनों गलत होते हैं तो वे अक्सर एक ही गलत उत्तर देते हैं, विशेषकर एक आर्किटेक्चर या प्रदाता के भीतर (Kim et al., 2025)। तीन सीमांत मॉडलों की पूर्वानुमान त्रुटियाँ 568 बाइनरी प्रश्नों पर औसतन 0.77 के r पर सहसंबंधित थीं (Spiro, 2026), और सीमांत मॉडल Metaculus AI बेंचमार्क पर अत्यधिक सहसंबंधित पूर्वानुमान बनाते हैं (Aitchison et al., 2026)। जब कई निर्णय लेने वाले एक एल्गोरिथ्म को अपनाते हैं, तो सामूहिक निर्णय खराब हो सकता है भले ही एल्गोरिथ्म उनमें से प्रत्येक को अलग से हरा दे (Kleinberg & Raghavan, 2021)। सिद्धांत और संस्थागत होल्डिंग्स के लिए कैलिब्रेट किए गए सिमुलेशन बताते हैं कि समान AI मॉडल को व्यापक रूप से अपनाना उन संकेतों के जीवन को छोटा करता है जो वे व्यापार करते हैं (Meng & Chen, 2026)। ऐसे तर्कों को इनपुट के रूप में मॉडल की एक मापी गई समानता की आवश्यकता होती है। एक बाज़ार लीग हर ट्रेडिंग दिन और ग्यारह तक की लाइव प्रायिकता स्ट्रीम पर बाहरी ग्राउंड सत्य प्रदान करती है जिस पर ρ का अनुमान लगाया जा सकता है। N_eff विचरण की एक गिनती है। एक पूर्वाग्रह जो हर मॉडल साझा करता है वह औसत में रहता है चाहे मॉडल की संख्या कुछ भी हो, यही कारण है कि लीग सर्वसम्मति त्रुटि को सीधे भी गिनती है (अनुभाग 5.3)। बिना स्वतंत्र आवाज़ों की प्रभावी संख्या के मुद्रित मॉडल की सर्वसम्मति एक नमूने की आकार के बिना मुद्रित पोल जैसी है: पाठक देखते हैं कि कौन सहमत है लेकिन यह नहीं बता सकते कि समझौता कितना साक्ष्य रखता है। आवश्यकता 14 इसलिए जहाँ भी एक सर्वसम्मति दिखाई जाए वहाँ इस गिनती को अनिवार्य बनाती है। 20 अक्टूबर को आठ सीटों ने खुलने से पहले एक दिन की तस्वीर को सील कर दिया, और उनकी तस्वीरें 1.46 स्वतंत्र पूर्वानुमानकर्ताओं की तस्वीरों जितनी समान थीं (अनुभाग 5.2)।

5.1 लीग ρ का अनुमान कैसे लगाती है

प्रत्येक सील किए गए रन से, हर पूर्वानुमान सीट के लिए, एक प्रायिकता मिलती है कि 12 बाज़ारों में से प्रत्येक हर क्षितिज पर ऊपर होगा। प्रत्येक रन और क्षितिज के लिए लीग सीटों की जोड़ी के औसत की गणना करती है जो दोनों द्वारा दिए गए बाज़ारों में उनकी प्रायिकताओं के Pearson सहसंबंध का प्रतिनिधित्व करता है, और N_eff = n / (1 + (n − 1)ρ) का मूल्यांकन करता है उस रन के अपने n और ρ के साथ। N_eff ρ में उत्तल है, इसलिए प्रति-रन गिनती का मतलब कम से कम माध्य ρ पर गिनती है, और ρ का नमूना शोर, बारह बाज़ारों से अनुमानित है, प्रति-रन गिनती को भी ऊपर धकेलता है। अनुभाग F1 और F2 में दहलीज़ के नीचे एक माध्य इसलिए रूढ़िवादी पठन है, और क्षितिज के बीच तुलना ρ पर ही पढ़ी जाती है (F9)। बारह बाज़ारों के साथ एक जोड़ी सहसंबंध देखी गई 0.38 से 0.64 की रेंज में लगभग 0.26 से 0.18 का मानक त्रुटि रखता है; एक रन की जोड़ियाँ सीटें और बाज़ार साझा करती हैं, इसलिए उनका माध्य एक जोड़ी से अधिक स्थिर है लेकिन उनकी संख्या के मूल द्वारा नहीं। एक अंतराल पाँच गिनती किए गए रन से आता है। मैं प्रत्येक सीट की नवीनतम उत्तर पंक्ति का उपयोग करता हूँ और एक दिनांकित correction पंक्ति द्वारा सील के बाद पुनर्स्थापित कोशिकाओं को छोड़ देता हूँ, क्योंकि वे सील किए गए उत्तर में नहीं थीं। पात्रता नियम अनुमानकर्ता का एक हिस्सा है। मैं केवल गिनती किए गए रन को स्वीकार करता हूँ, और केवल संदर्भ मूल्य से पहले सील किए गए उत्तर को, ताकि एक देर का उत्तर, जो खुलने की चाल देख सके, प्रवेश न करे। खुली फ़ाइल council-stats.json इस श्रृंखला को n_eff.counted के तहत प्रकाशित करती है, नियम फ़ाइल में दिया गया है। पुरानी ब्लॉक n_eff.per_run और इसका माध्य औसत सभी सील किए गए रन, ट्रायल रन और देर के उत्तर शामिल करते हैं। परिशिष्ट C council-forecasts.csv और council-book.jsonl से पुनर्गणना के लिए फ़ील्ड देता है। तालिका 6 इस नियम के माध्यम से खुली फ़ाइल की पंक्तियों का अनुसरण करती है, छः सील किए गए रन से गिनती किए गए रिकॉर्ड तक।

तालिका 6। खुली फ़ाइल से गिनती किए गए रिकॉर्ड तक, रन के अनुसार: पंक्तियाँ, सुधार, सीटें, संदर्भ से पहले सील की गई पंक्तियाँ, दिए गए 50, अमान्य कोशिकाएँ और गिनती की गई एक दिन की पंक्तियाँ (council-forecasts.csv, 3,792 पंक्तियाँ)।

नोट: सुधार पंक्तियाँ बाद की सुधार लाइनों द्वारा जोड़ी गई कोशिकाएँ हैं (line_kind); अन्य स्तंभ उत्तर लाइनों की कोशिकाओं की गणना करते हैं। एक पंक्ति संदर्भ से पहले सील कर दी जाती है जब उसकी लाइन की सील, अधिकतम(at, booked_at), 09:30 ET से पहले आती है जिस सत्र का वह लक्ष्य रखती है; तीनों परीक्षण रन 19 अक्टूबर का लक्ष्य रखते हैं। कथित 50 और अमान्य कोशिकाएँ cell_status से पढ़ी जाती हैं (explicit_50, invalid), गणना की गई पंक्तियाँ status से। 20 अक्टूबर को नवम सीट, Meta AI, 16:16:52Z पर सील हुई: इसकी 12 अमान्य कोशिकाएँ कोई प्रायिकता नहीं रखती हैं, और इसकी नौ गणना की गई एक-दिन की पंक्तियाँ इसके स्वयं के संदर्भ से स्कोर की गई हैं, सामान्य घटना के बाहर। 21 अक्टूबर को नवम उत्तर की चार Bitcoin कोशिकाओं का अपना संदर्भ है (अनुभाग 3.3)। स्रोत: council-forecasts.csv और council-book.jsonl 22 अक्टूबर 2026, 01:32 UTC पर सहेजे गए (CSV का SHA-256 9fa4747e…c299d)।

मैं गणना के साथ सहायक आंकड़े प्रकाशित करता हूँ। सहसंबंध बाजारों में गणना किया जाता है, इसलिए इसमें बाजार एक साथ कैसे चलते हैं (तीन US इक्विटी सूचकांक, WTI और Brent); एक दूसरा संस्करण प्रति समूह एक बाजार रखता है, Nasdaq-100, Dow और Brent को छोड़ता है। बाजारों में सहसंबंध इस दिशा पर भी निर्भर करता है जिसमें प्रत्येक बाजार पूछा जाता है: VIX, डॉलर या प्रतिफल की वृद्धि आमतौर पर इक्विटी की गिरावट के साथ जाती है, और लीग हर बाजार को वृद्धि के रूप में पूछती है, इसकी घटना अनुबंध में निर्धारित। मैं उस सम्मेलन से मुक्त एक संस्करण भी गणना करता हूँ, जो 50 से विचलन को जोड़ता है, बिना प्रत्येक सीट के औसत को बाजारों में घटाए, इसलिए किसी भी बाजार को उल्टा करना कुछ नहीं बदलता है। एक दिन में यह 1.85 और 1.54 देता है, 19 और 20 अक्टूबर पर, सुर्खियों की गणना के लिए 1.74 और 1.46 के मुकाबले। 50 के बजाय जलवायु संबंधी प्रायिकता से लिया गया, समान विचलन अनुभाग 4.3 लंबे क्षितिज पर माँगता है। मैट्रिक्स का भाग लेने वाला अनुपात एक अलग आयाम गणना है, और समसहसंबंध के तहत दोनों अलग हैं, इसलिए मैं इसे दूसरी गणना के रूप में N_eff के साथ पढ़ता हूँ। एक तीसरा आंकड़ा पहले प्रत्येक बाजार की सहमति को हटाता है। एक ही मॉडल से अनुमानित सहमति को घटाने से विचलन निर्माण से नकारात्मक रूप से सहसंबद्ध हो जाते हैं, इसलिए यह एक वर्णनात्मक है और पंजीकृत नहीं है। आवश्यकता 17 सबसे बड़े eigenvalue का शेयर जोड़ती है। एक शेयर एक के करीब कहता है कि एक एकल सामान्य कारक समानता को वहन करता है, वह संरचना जिसके तहत एक सामान्य ρ एक उचित सारांश है, और एक कम शेयर कहता है कि एकल ρ कई कारकों को छुपाता है। 20 अक्टूबर 2026 की गणना की गई दौड़ पर, संदर्भ से पहले सील की गई आठ सीटों की सभी 48 कोशिकाओं में, सबसे बड़ा eigenvalue ट्रेस का 68% वहन करता है (8 में से 5.47)। एक सामान्य कारक समानता का अधिकांश हिस्सा रखता है। एक-दिन की मैट्रिक्स का भाग लेने वाला अनुपात 19 अक्टूबर पर 2.28, 20 अक्टूबर पर 1.79 और 21 अक्टूबर पर 3.28 था (n_eff_participation)।

सुर्खी गणना करती है कि प्रायिकता चित्र कितने समान हैं। त्रुटियों का सहसंबंध, ऊपर के सूत्र का ρ, दूसरी गणना है, और लीग इसे स्कोर किए गए सत्रों से गणना करती है: बाजारों में सीटों के त्रुटि संकेतकों का माध्य जोड़ी सहसंबंध, उसी तरीके से N_eff में बदल दिया गया (n_eff_errors)। यह परिणामों का सह-आंदोलन भी वहन करता है। जब तीन इक्विटी सूचकांक एक साथ गिरते हैं, तो जो मॉडल ऊपर कहते हैं वे एक साथ गलत होते हैं, उनकी समानता जो भी हो।

5.2 विधि की पहली पढ़ाई

मैं 19 और 20 अक्टूबर 2026 के विकास सत्रों पर विधि को पहले पढ़ता हूँ (अनुभाग 8)। उनकी दो गणना की गई सुबह की दौड़ पर, केवल 09:30 ET संदर्भ मूल्य से पहले सील किए गए उत्तरों का उपयोग करते हुए, मैं एक दिन पर 19 अक्टूबर 2026 पर 1.74 पर N_eff पाता हूँ (n = 7 सीटें संदर्भ से पहले सील, ρ = 0.505) और 20 अक्टूबर 2026 पर 1.46 (n = 8, ρ = 0.64)। उन दोनों सुबहों की तस्वीरें लगभग 1.6 स्वतंत्र पूर्वानुमानकर्ताओं की तरह समान थीं। प्रति समूह एक बाजार रखने से 1.69 और 1.57 प्राप्त होते हैं। गणना किए गए रिकॉर्ड की पहली दौड़, 21 अक्टूबर 2026 पर, 2.23 देती है (n = 9, ρ = 0.379), और प्रति समूह एक बाजार के साथ 2.09 (council-stats.json, n_eff.counted.per_run, 21 अक्टूबर 2026, 22:16 UTC पर उत्पन्न)।

प्रत्येक क्षितिज पर समान नियम, तीन वर्णनात्मक उपायों के साथ जिन्हें इसके अलावा कोई परिणाम चाहिए, तालिका 7 देता है।

तालिका 7। संदर्भ से पहले सील किए गए उत्तरों, प्रायिकता चित्रों का N_eff (कोष्ठक में माध्य जोड़ी ρ), तीक्ष्णता K, 40 और 60 के बीच प्रायिकताओं का शेयर, और सीटों में फैलाव की गणना की गई सुबह की दौड़ों की क्षितिज के अनुसार वर्णनात्मक पढ़ाई।

नोट: प्रति क्षितिज बारह बाजार। दायर की गई स्क्रिप्ट neff-horizons.py के नियम से N_eff (अनुभाग 5.1), जिन कोशिकाओं का अपना संदर्भ है उन्हें छोड़ दिया गया (21 अक्टूबर को नवम उत्तर की Bitcoin कोशिकाएँ); 21 अक्टूबर का एक-दिन का मान प्रकाशित n_eff.counted.per_run के बराबर है। K = (2/n)Σ|p − 50| सीटों की कोशिकाओं पर (अनुभाग 4.4); फैलाव बारह बाजारों में औसत, सीटों में जनसंख्या मानक विचलन है। council-forecasts.csv और council-book.jsonl से मान 22 अक्टूबर 2026, 01:32 UTC पर सहेजे गए।

तीनों रनों पर छह महीने में आवाजें सबसे कम होती हैं और एक सप्ताह और एक महीने में एक दिन की तुलना में अधिक संख्या में होती हैं। छह महीने की समानता साझा आधार दरों (इक्विटी और सोना छह महीने में बढ़ते हैं) से आ सकती है, इसलिए छह महीने की गिनती जलवायु संबंधी संभावना से विचलन पर भी पढ़ी जाने योग्य है। मैं 20 अक्टूबर के रन पर पैटर्न देखता हूं (Figure 6B), और Figure 7 में मैं इसे बाजार दर बाजार खींचता हूं। संदर्भ से पहले सील किए गए आठ सीटें दिन के लिए पांच बाजारों को सम संभावना से नीचे और छह महीने में लगभग 60% पर रखती हैं। माध्य संभावना में S&P 500 48 से 62 तक गया, Nasdaq-100 42 से 61 तक, semiconductors 42 से 60 तक, सोना 48 से 61 तक और Bitcoin 46 से 61 तक, जबकि oil, VIX और 10-year yield दूसरी ओर चले गए (WTI 55 से 40, VIX 55 से 38, yield 54 से 45)। परिषद ने एक छोटा झटका देखा जो फीका पड़ गया। छह महीने में यह दीर्घकालीन drift पर एकत्रित हुआ। 21 अक्टूबर पर छोटा सिरा चला और लंबा सिरा रखा गया। नौ सीटें S&P 500 को दिन के लिए 55.9 और छह महीने में 60.4 देती हैं, और केवल copper (47.9) और VIX (45.7) दिन के लिए एक सम संभावना से नीचे खड़े थे। छह महीने में जोखिम संपत्ति फिर से 56.7 से 62.7 पर खड़ी थी और oil, VIX, yield और dollar 41.2 से 46.1 पर।

Figure 7. एक दिन और छह महीने में वृद्धि की माध्य कथित संभावना, बाजार के अनुसार: (A) run 2026-10-20-am, संदर्भ से पहले सील की गई आठ सीटें; (B) run 2026-10-21-am, नौ सीटें।

Note: सीटों का माध्य prob_up; टिक एक सप्ताह और एक महीने को चिह्नित करते हैं। बाजार 20 अक्टूबर पर एक दिन से छह महीने में परिवर्तन के अनुसार आदेश दिए गए हैं। छह महीने की संभावनाओं में प्रत्येक बाजार की आधार दर (Section 4.3) शामिल है; जलवायु के विरुद्ध समान पढ़ना $K_{\text{clim}}$ है। 21 अक्टूबर पर Bitcoin माध्य नवें उत्तर की कोशिकाओं को छोड़ देता है, जिनके पास अपना संदर्भ है। Source: council-forecasts.csv 22 अक्टूबर 2026, 01:32 UTC को सहेजा गया।

एक ही रन वह spread देता है जो Section 8 उपयोग करता है। आठ सीटों में, संभावनाओं का जनसंख्या मानक विचलन एक दिन में औसतन 3.5 अंक, एक सप्ताह में 5.7, एक महीने में 6.2 और छह महीने में 4.7 था। एक दिन में यह copper पर 1.5 अंक से लेकर WTI पर 6.4 तक चला, और सबसे चौड़ी कोशिकाएं एक महीने में VIX और Brent थीं (9.9 और 9.8)। 21 अक्टूबर पर माध्य spread 4.3, 4.8, 5.7 और 6.8 अंक था, छह महीने में सबसे चौड़ा (Brent 9.5, WTI और VIX 8.4)। Figure 8 दोनों सुबहों पर हर कोशिका दिखाता है।

Figure 8. सीटों में कथित संभावनाओं का spread, बाजार और horizont के अनुसार: (A) run 2026-10-20-am, संदर्भ से पहले सील की गई आठ सीटें; (B) run 2026-10-21-am, नौ सीटें।

Note: प्रत्येक कोशिका में सीटों में prob_up का जनसंख्या मानक विचलन, संभावना के अंकों में; पैनल शीर्षक प्रत्येक horizon पर बारह बाजारों पर माध्य देते हैं। Section 8 माध्यमिक विश्लेषण के रूप में spread के उपयोग को दर्ज करता है। Source: council-forecasts.csv 22 अक्टूबर 2026, 01:32 UTC को सहेजा गया।

क्रमिक रन एक ही बाजारों के बारे में अतिव्यापी प्रश्नों का उत्तर देते हैं, और पड़ोसी रनों की सप्ताह और महीने की windows अतिव्यापी होती हैं। क्षितिज के बीच तुलना इसलिए युग्मित run-by-run अंतरों पर की जाती है, रनों के ब्लॉक पर अंतराल (F9)। 16 से 18 अक्टूबर के तीन परीक्षण रन, सभी 19 अक्टूबर के सेशन के लिए लक्ष्य और गिने नहीं, एक दिन में 4.01, 2.69 और 2.06 दिए। त्रुटि संकेतकों पर गिनती एक ही पात्रता नियम का पालन करती है और F3 की दाखिल स्क्रिप्ट द्वारा गणना की जाती है। खुली फ़ाइल का n_eff_errors फ़ील्ड एक व्यापक वर्णनात्मक श्रृंखला है और शीर्षक नहीं है। Figure 9 सूत्र के वक्रों पर per-run मूल्यों को रखता है। Predictions F1 से F3 और F9 (Section 8) यह बताते हैं कि पंजीकरण के बाद गिने गए रन क्या दिखाएंगे।

Figure 9. मॉडलों की संख्या के विरुद्ध स्वतंत्र आवाजों की प्रभावी संख्या, पहली सील किए गए रनों और पहली गिनती किए गए रन की per-run रीडिंग के साथ।

Note: N_eff = N / (1 + (N − 1)ρ) N = 1 से 14 के लिए और ρ का 0, 0.2, 0.4, 0.57 और 1; डैश्ड लाइनें सीलिंग 1/ρ को चिह्नित करती हैं। Filled circles: संदर्भ से पहले सील किए गए उत्तर एक दिन पर 19 और 20 अक्टूबर की सुबह के रन (1.74, n = 7, ρ = 0.505; 1.46, n = 8, ρ = 0.64); हाइलाइट किया गया वक्र उनके माध्य ρ, 0.57 है। Filled diamond: गिनती किए गए रिकॉर्ड का पहला रन, 21 अक्टूबर 2026 (2.23, n = 9, ρ = 0.379)। Open squares: तीन परीक्षण रन (4.01, 2.69, 2.06)। Source: council-forecasts.csv और council-book.jsonl, 21 अक्टूबर 2026 को पढ़ा गया, Section 5.1 के नियम द्वारा।

5.3 सहमति, और यह परिवारों को क्यों छूट देता है

मैं एक बाजार के लिए सहमति को सीटों की संभावनाओं के माध्य के रूप में परिभाषित करता हूं, तीन नियमों के साथ। जब कम से कम पांच सीटें उत्तर देती हैं, तो सबसे कम और सबसे अधिक संभावना को छोड़ दिया जाता है। एक ही परिवार से दूसरा मॉडल एक तिहाई गिनता है, और इसी तरह प्रत्येक आगे वाला, इसलिए एक प्रयोगशाला जो कई मॉडल फ़ील्ड करती है संख्या के आधार पर दूसरों को मतदान नहीं कर सकती। एक ब्लॉक संरचना के तहत uniform formula N_eff को कम आंका जाता है (Kim et al., 2025)। परिणाम 2 से 98% तक बंद है। वर्तमान रोस्टर पर प्रत्येक सीट एक अलग प्रयोगशाला से आता है (Table 8), इसलिए हर परिवार वजन 1 है। नियम एक प्रयोगशाला दो सीटें रखने से पहले खुली पद्धति में लिखा हुआ है।

खंड 4.5 की पहचान से, सहमति उन सदस्यों के माध्य को हराती है जिन्हें यह एक सामान्य घटना पर यांत्रिक रूप से रखती है, और पूरी परिषद के विरुद्ध ट्रिम एक विकल्प है जिसे छाया सहमति और F10 मापते हैं, एक अंकगणितीय लाभ। कौशल का न्याय केवल परिषद के बाहर के संदर्भों के विरुद्ध किया जाता है: सिक्का, जलवायु संबंधी आधार दर, भीड़ और F10 के लिए, मॉडल जिसने एक पहली खिड़की का नेतृत्व किया। एक सीट का मूल्य सीधे मापा जाता है: सहमति ब्रियर स्कोर उन सामान्य घटनाओं पर उस सीट के साथ और बिना, एक ही सत्रों पर। परिणामों के बाद गणना की गई लीव-वन-आउट एक विवरण है। किसी भी भारण के अलावा फ्रोजन ट्रिम, पारिवारिक भार और क्लैंप, चुने गए क्योंकि यह पहले से ही देखे गए मौसम पर जीते होते, एक नई रणनीति है (White, 2000): यह पहले सत्र से पहले सील किया जाता है जिसे यह शासित करता है और केवल उस सील के बाद स्कोर किया जाता है।

मैं इस खंड के अपने थीसिस की परीक्षा के रूप में पंजीकरण के साथ एक ऐसी रणनीति को सील करता हूँ: यदि सहसंबद्ध आवाजें कम मूल्यवान हैं, तो उन्हें छूट देने से मदद मिलनी चाहिए। छाया सहमति प्रत्येक सीट को अन्य सीटों के साथ इसके माध्य जोड़ीदार सहसंबंध के व्युत्क्रम से भारित करती है, जिसकी गणना पंजीकरण टाइमस्टैम्प से पहले सील किए गए गिनती किए गए चलन की एक दिन की संभावना चित्रों पर की जाती है, केवल संदर्भ से पहले सील किए गए उत्तर, माध्य सहसंबंध 0.05 पर तल किया गया (उस विंडो में कोई योग्य उत्तर न होने वाली सीट दूसरों का माध्य भार लेती है)। भार पंजीकरण के साथ दाखिल किए जाते हैं और मौसम के लिए फ्रोजन किए जाते हैं। प्रत्येक घटना पर उन्हें उत्तर देने वाली सीटों पर पुनः सामान्यीकृत किया जाता है, और चरम सीमाओं की ट्रिम, पारिवारिक भार और क्लैंप प्रकाशित सहमति के हैं। एक दाखिल स्क्रिप्ट खुली फाइलों से छाया की गणना करती है और इसे प्रकाशित सहमति के समान घटनाओं पर स्कोर करती है, जिसे यह कभी प्रतिस्थापित नहीं करती। खंड 8 तुलना की घोषणा करता है। आवश्यकता 17 प्रत्येक सीट को विशिष्टता के दो वर्णनात्मक काउंट भी देती है, दूसरी उत्तर देने वाली सीटों के साथ इसका माध्य सहसंबंध और इसकी दिशात्मक कोशिकाओं का हिस्सा जो बहुमत से सहमत है। एक सीट जो विशिष्ट है और सामान्य घटनाओं पर सहमति में जोड़ता है वह सीट है जिसके लिए पारिवारिक नियम और खंड 5 की छत तर्क देते हैं। 20 अक्टूबर 2026 को, संदर्भ से पहले सील की गई आठ सीटों और सभी 48 कोशिकाओं में, दोनों काउंट 0.47 के माध्य सहसंबंध और दूसरों (Claude) के बहुमत के साथ 70% समझौते से 0.71 और 88% (DeepSeek) तक चले। Claude 48 में से 4 कोशिकाओं में एक समान मौका के अपने पक्ष पर अकेला खड़ा था, किसी भी दूसरी सीट से अधिक, उनमें सेमीकंडक्टर और Nasdaq-100 एक सप्ताह में, जिसे इसने 54 दिया जबकि सात अन्यों ने 28 से 43 दिए। सटीकता को अलग से स्कोर किया जाता है।

all_wrong उन बाजार-सत्रों को गिनता है जिनमें हर उत्तर देने वाली सीट गलत थी, कम से कम चार उत्तर देने के साथ, और minority_right उन गिनता है जिनमें सहमति गलत थी और कम से कम एक सीट सही थी। दोनों में, पंक्तियां सभी पंक्तियां हैं जिनमें परिणाम "rise" मतलब शून्य से अधिक परिवर्तन, और एक बताया गया 50% न तो सही है और न ही गलत, इसलिए वह सीट उस पंक्ति के लिए उत्तर नहीं देने के रूप में नहीं गिना जाता है। स्वतंत्रता के तहत, चार या अधिक सीटों के बीच सर्वसम्मत त्रुटि लगभग एक आधी त्रुटि दरों के साथ असामान्य होगी, और इसकी आवृत्ति उत्तर देने वाली सीटों की अपनी त्रुटि दरों के उत्पाद के विरुद्ध F6 है। गणना एक क्लस्टरिंग नैदानिक है जो परिणामों की सह-गतिविधि, विशेष सत्रों की कठिनाई और एक साझा पूर्वाग्रह को मिश्रित करता है, और यह प्रतिलिपि की पहचान नहीं करता है। एक सही अल्पसंख्यक जो आवर्ती होती है वह हर सीट की कॉल को सहमति के बगल में दिखाने का मामला है।

5.4 साझे स्रोत

council-forecasts.csv की प्रत्येक पूर्वानुमान पंक्ति डोमेन और लिंक्स को ले जाती है जिसे इसके मॉडल ने उद्धृत किया (source_domains, source_urls)। प्रत्येक चलन के एक दिन के उत्तरों के लिए मैं सबसे अधिक उद्धृत साइटों पर उद्धरणों की सांद्रता, सीटों की जोड़ियों के बीच उद्धृत लिंक्स और साइटों का माध्य जैकार्ड ओवरलैप, और क्या साझे लिंक के साथ जोड़े उन लोगों की तुलना में अधिक बार कार्रवाई पर सहमत होते हैं जो नहीं करते हैं, चलन और बाजार के स्तरों के भीतर, क्रमचय द्वारा। पहली पाँच चलनों पर एक समाचार साइट ने सभी उद्धरणों का लगभग एक पाँचवां हिस्सा खींचा, सटीक लिंक्स का ओवरलैप छोटा था (माध्य जैकार्ड 0.006), और लिंक साझा करने वाली 34 जोड़ियों की अधिक सहमति मौका से अलग नहीं थी (क्रमचय p = 0.14)। एक उद्धृत लिंक एक स्ट्रिंग है जिसे मॉडल ने उत्सर्जित किया और यह साबित नहीं करता कि पृष्ठ पढ़ा गया था, और इसका लेबल इसके पते से भिन्न हो सकता है। 19 अक्टूबर को एक उत्तर ने "Reuters" को investing.com (पुस्तक पंक्ति 83) के लिंक के साथ उद्धृत किया। आवश्यकता 17 इसलिए एक लिंक प्रवेश करने से पहले एक फेच रिकॉर्ड (स्थिति, समय, सामग्री का SHA-256, बताया गया प्रकाशन समय) के लिए पूछता है। सामग्री साझा आंकड़ों से गिनती करने से पहले हटाए जाते हैं। Prediction Arena में, एक मॉडल ने कितना शोध किया यह इसके परिणाम को ट्रैक नहीं करता (Zhang et al., 2026), इसलिए लीग यह मापता है कि खोज समझौते के लिए क्या करती है इसे मान लेने के बजाय। उद्धरण ओवरलैप रिपोर्ट की गई प्रामाणिकता को मापता है, और F5 कहता है कि यह क्या दिखाना चाहिए।

आकृति 10 में मैं गिनता हूँ कि कौन क्या उद्धृत करता है। 16 से 21 अक्टूबर 2026 की छह चलनों में संदर्भ से पहले सील किए गए एक दिन के उत्तर, 918 पंक्तियां, 233 साइटों के 1,875 उद्धरण ले जाती हैं। Reuters ने उनमें से 407 (21.7%) खींचे और ग्यारह में से दस सीटों द्वारा उद्धृत किया गया, सभी Claude को छोड़कर। इसका हिस्सा चलन द्वारा 6.2% से 30.3% तक चला। अगली साइटें cnbc.com (139) और bloomberg.com (66) थीं। सबसे हाल की दोनों गिनती की गई सुबहों पर, साइटें जिन्हें कम से कम दो सीटों ने उद्धृत किया उन्होंने 68.5% और 58.3% उद्धरण खींचे।

आकृति 10। सीट द्वारा उद्धृत साइटें: संदर्भ से पहले सील किए गए एक दिन के उत्तरों में उद्धरण, 16 से 21 अक्टूबर 2026 की चलनें, दस सबसे अधिक उद्धृत साइटें।

नोट: प्रति उद्धृत साइट प्रति उत्तर कोशिका (source_domains) एक गणना, पहले US सीटें, पक्षों के बीच एक नियम के साथ; दाईं ओर की कॉलम प्रत्येक साइट का कुल और सभी 1,875 उद्धरणों का इसका हिस्सा देती है। एक उद्धृत डोमेन को खंड 5.4 द्वारा एक उद्धृत लिंक को पढ़ता है। स्रोत: council-forecasts.csv 22 अक्टूबर 2026, 01:32 UTC को सहेजा गया।

5.5 बंद किताब: खोज के बिना वही प्रश्न

जोड़ी गई खबरें डिफ़ॉल्ट रूप से एक भाषा-मॉडल पूर्वानुमानकार को बेहतर नहीं बनाती हैं: उन प्रश्नों पर जिनका समाधान मॉडल के कटऑफ के बाद हुआ है, समाचार संदर्भ कुछ प्रश्नों पर मदद करता है और अन्य पर नुकसान करता है, हाल ही में पूर्वाग्रह, अफवाहों के अति-भार और एक शब्द जो संदर्भित करता है उसमें बहाव के माध्यम से (Karkar & Chopra, 2025)।

Closed Book लीग में, प्रत्येक रन के बाद, समान मॉडलों को खुले वेब के बजाय एक sealed packet प्राप्त होता है: रन का price snapshot और dated headlines, प्रत्येक के साथ source, link, publication time और hash, और उन्हें search या tools का उपयोग न करने के लिए कहा जाता है। प्रत्येक answer line तीन लेबलों में से एक के तहत search state को record करता है: verified (tool configuration retrieval को रोकता है और answer कोई नहीं दिखाता है), configured but unverified, या instruction only। Packet के बाहर की links को outside चिह्नित किया जाता है। Packet को answers से पहले इसके hash के साथ seal किया जाता है और इसे rebuild नहीं किया जाता है, और Closed Book अपने $100,000 accounts को daily table के बाहर चलाता है।

File arena-cb-experiment.json रिपोर्ट करता है, run by run, disagreement की heat (दिन की actions के mean split का 100 गुना), N_eff और portfolios की spread, closed minus open समान मॉडलों पर। यदि closed council अधिक सहमत है, तो identical inputs herd को drive करते हैं। यदि यह कम सहमत है, तो search मॉडलों को समान pages की ओर खींचता है। Search के बारे में एक claim तब hold करता है जब arms search में अकेले भिन्न हों। प्रत्येक closed answer एक fresh context से आता है जिसमें open answer, crowd या another seat नहीं दिखाया गया है, समान question, snapshot और information deadline के साथ, matching versions और recorded access states के साथ। F20 और F21 के लिए, दोनों arms के answers को समान common reference के सामने seal किया जाता है, अन्यथा प्रत्येक arm को अपने reference पर score किया जाता है, और जिस order में arms को ask किया जाता है वह दिनों में balanced होता है। यदि closed council कम disagreed करता है और इसका Brier loss अधिक है, तो identical inputs ने मॉडलों को बेहतर बनाए बिना alike बना दिया।

दो arms likeness के दोनों sources को अलग नहीं कर सकते, समान news को समान morning में पढ़ना और training में सीखे गए समान beliefs। Requirement 17 इसलिए एक तीसरा arm निर्दिष्ट करता है, prices only: समान मॉडलों को रन का sealed price snapshot और question प्राप्त होता है, कोई headlines और कोई search नहीं, समान deadline और independence के rules के तहत। Agreement जो news के बिना रहता है वह shared priors से आता है; agreement जो packet द्वारा जोड़ी जाती है वह shared news से आता है; agreement जो open web द्वारा जोड़ी जाती है वह search से आता है। जब arm चलता है, तो प्रत्येक run सभी तीन arms में N_eff और disagreement की heat रिपोर्ट करता है समान seats और sessions पर।

5.6 plain consensus के विरुद्ध Discussion

Blind-parallel elicitation प्रत्येक मॉडल को दूसरों का कोई view न देकर raw question देता है, इसलिए agreement evidential weight रखता है। Informed-sequential elicitation independence की कीमत पर error correction खरीदता है (Chernets, 2026a)। सात language benchmarks पर, majority voting अकेले multi-agent debate को आमतौर पर दिए जाने वाले gains के अधिकांश के लिए accounts है (Choi et al., 2025), इसलिए एक discussion को अपनी जगह अर्जित करने से पहले समान questions पर plain vote को beat करना होता है। Daily forecasts blind-parallel by construction हैं। Discussion एक अलग weekly track में चलता है जो कभी daily record को छूता नहीं है: एक chair, sides के बीच rotating, shuffled letters के तहत हर sealed portfolio को पढ़ता है और council का portfolio और दो या तीन critiques लिखता है, प्रत्येक एक market, एक risk, एक weight और अगले पाँच sessions में fund की direction को name करता है, तो हर critique का एक checkable consequence होता है। प्रत्येक criticised model एक बार answer देता है और state करता है कि portfolio को यह hold करता। Shadow accounts chair के portfolio, sealed weights, weights with critique applied, और stated reply को trade करते हैं (council-talk.json, council-talk-critiques.csv; F22, F23)।

5.7 One model, asked again

एक बार एक सप्ताह में portfolio question को फिर से ask किया जाता है, तीन बार, तीन या चार मॉडलों से, और repeats को decisions के रूप में नहीं बल्कि अपनी lines के रूप में seal किया जाता है। council-repeats.json एक मॉडल के अपने answers के बीच heat को मॉडलों के बीच heat के खिलाफ रिपोर्ट करता है, जो disagreement की noise floor देता है (F24)। क्योंकि N_eff को probabilities पर computed किया जाता है, requirement 17 repeats को probabilities तक extend करता है: एक frozen packet के तहत एक selected मॉडल समान probability question को तीन बार independent contexts में answer देता है, प्रत्येक diagnostic line के रूप में seal किया जाता है, और league within-model variance को between-model variance के खिलाफ रिपोर्ट करता है। Model version का एक change dated है, और version के बाद का record अलग से दिखाया जाता है।

5.8 Laboratory of origin: the same conditions

सभी चौदह seats portfolio league में trade करते हैं। ग्यारह Council seats probabilities देते हैं, पाँच US laboratories से और छः Chinese laboratories से, और तीन seats bench पर हैं, केवल trading कर रहे हैं (Table 8)। प्रत्येक मॉडल को एक question मिलता है, एक price snapshot पर built, text अपने SHA-256 के तहत published के साथ। प्रत्येक answer एक deadline से seal होता है और one set of rules से score होता है, और प्रत्येक seat में समान $100,000, costs और limits होती हैं। Asks file timing दिखाता है। 21 October पर पहला question हर seat को 0.17 seconds के भीतर, 12:30:09Z पर गया, और एक ही seat को resend समान hash को ले जाता है। 13:00 पर अभी भी silent seats को दूसरे wave में 13:00:21Z पर फिर से ask किया गया इसकी अपनी run line और question hash के तहत (asks.jsonl)। प्रत्येक मॉडल को strongest reasoning mode पर ask किया जाता है जो इसकी roster entry list करता है, और mode sealed on answer line वह mode है जो scored होता है। प्रत्येक provider अपने मॉडल को अपने tools और computation से serve करता है, तो comparison laboratories के बीच होता है जैसे वे अपने मॉडलों को serve करते हैं (Section 10)।

Table 8। लीग की Seats (league-roster.json, generated 21 October 2026) और version string sealed प्रत्येक seat के answer lines पर 21 October 2026 तक।

नोट: प्रत्येक संस्करण के साथ सील किया गया मोड उत्तर लाइन (परिशिष्ट C) में है, और प्रत्येक संस्करण वह स्ट्रिंग है जो प्रदाता का इंटरफेस लौटाता है, ERNIE के लिए इसका नाम अकेले; प्रत्येक सीट एक अलग प्रयोगशाला से आती है, इसलिए प्रत्येक परिवार का वजन 1 है (अनुभाग 5.3)।

पहली तुलनाओं ने दोनों पक्षों को एक प्रश्न और एक स्नैपशॉट पर नहीं रखा। Cao et al. (2025) ने पाया कि एक US मॉडल ने चीनी फर्मों को अधिक आशावादी और कम सटीक रूप से पूर्वानुमान दिया, और यह अंतर गायब हो गया जब चीनी समाचार जोड़े गए, जो सूचना तक पहुंच को इसके स्रोत के रूप में इंगित करता है। यहाँ तुलना प्रेक्षणात्मक है, क्योंकि प्रदाता, पीढ़ी, भाषा और उपकरण देश के लेबल के साथ यात्रा करते हैं (अनुभाग 10)। इसे पक्षों के बीच और के भीतर रिपोर्ट किया जाता है, और कोई भी अंतर, संभावनाओं या स्कोर में, अपनी सीमा के साथ प्रकाशित होता है जब प्रत्येक सीट बदले में छोड़ी जाती है। एक अंतर जो चिन्ह बदलता है या अपने आकार का अधिकांश खो देता है जब एक सीट गिराई जाती है, उसे उस सीट के रूप में रिपोर्ट किया जाता है, पक्ष के नहीं (F18, F19)। आवश्यकता 17 यह भी पूछती है कि क्या पक्ष बिल्कुल एक ब्लॉक है। प्रत्येक रन के लिए यह प्रत्येक पक्ष के भीतर संभावनाओं का माध्य सहसंबंध उसके विरुद्ध सेट करता है जो पक्षों के बीच है, जब पक्ष लेबल उत्तर देने वाली सीटों के बीच क्रमांकित होते हैं तो कम से कम उतना बड़ा अंतर की संभावना के साथ। पाँच और छह सीटों के साथ यह परीक्षण एक नैदानिक है। यदि सबसे करीबी जोड़े दोनों पक्षों को जोड़ते हैं, तो देश का लेबल वह जगह नहीं है जहाँ झुंड विभाजित होता है। मैंने इसे 20 अक्टूबर 2026 के गिने गए रन पर पहली बार पढ़ा (संदर्भ से पहले आठ सीटें सील की गईं, 48 कोशिकाएँ) और देश के आधार पर कोई ब्लॉक नहीं पाता। संभावनाओं का माध्य सहसंबंध पक्षों के भीतर 0.66 है और उनके बीच 0.61 है, और चार में से तीन सबसे करीबी जोड़े उन्हें जोड़ते हैं: ChatGPT और MiMo (0.88), Gemini और DeepSeek (0.86), DeepSeek और Grok (0.77)। एकल कोशिकाएँ पक्ष के अनुसार विभाजित हो सकती हैं। उस रन पर पक्ष के साधनों के बीच सबसे बड़ी अंतर सोने में एक महीने पर बैठी थी, चार US सीटों के लिए 56 बनाम चार चीनी सीटों के लिए 44, और एक सप्ताह में सोना तीसरा आया, 52.5 बनाम 43.5। 48 कोशिकाओं पर अधिकतम निर्माण के अनुसार बड़ा है। जब आठ सीटों को 70 संभावित तरीकों में से प्रत्येक में चार और चार में विभाजित किया जाता है, तो 26 विभाजन कम से कम उतनी ही चौड़ी सबसे बड़ी कोशिका अंतर उत्पन्न करते हैं (p = 0.37)। DeepSeek ने सोने को एक महीने में 56 दिया, चार US सीटों में से तीन के ऊपर, इसलिए सबसे चौड़ी कोशिका भी पक्ष के अनुसार स्वच्छ रूप से विभाजित नहीं होती है। चित्र 11 में मैं पूरी मैट्रिक्स दिखाता हूँ, इसके साथ 21 अक्टूबर की सुबह।

चित्र 11। चार में से तीन सबसे करीबी जोड़े 20 अक्टूबर 2026 को एक US और एक चीनी प्रयोगशाला में शामिल होते हैं, और सबसे करीबी जोड़े 21 अक्टूबर को फिर से शामिल होता है: सील की गई संभावनाओं का पारस्परिक सहसंबंध, (A) 20 अक्टूबर, संदर्भ से पहले आठ सीटें सील की गईं; (B) 21 अक्टूबर, नौ सीटें; प्रत्येक सीट के माध्य सहसंबंध और बहुमत के साथ समझौते के साथ, और प्रत्येक मैट्रिक्स के eigenvalues।

नोट: रन 2026-10-20-am और 2026-10-21-am की 48 कोशिकाओं (12 बाजार × 4 क्षितिज) पर Pearson सहसंबंध, कोशिकाओं पर जो दोनों सीटों ने एक सामान्य घटना पर उत्तर दिया (21 अक्टूबर को Meta AI की Bitcoin कोशिकाएँ अपना संदर्भ ले जाती हैं, इसलिए इसके जोड़े 44 कोशिकाओं का उपयोग करते हैं); US सीटें पहले, पक्षों के बीच एक नियम के साथ। माध्य r सीट का अन्य सीटों के साथ माध्य सहसंबंध है, और बहुमत के साथ अन्य सीटों के बहुमत के समान 50 के रूप में सीट की दिशात्मक कोशिकाओं का हिस्सा है, टाई और कथित 50s बाहर रखे हैं। प्रत्येक मैट्रिक्स के नीचे, इसके eigenvalues, पहले का हिस्सा और भागीदारी अनुपात (Σλ)²/Σλ² (आवश्यकता 17) के साथ। पक्षों के भीतर माध्य 0.66 और 0.43, उनके बीच 0.61 और 0.48। स्रोत: council-forecasts.csv 22 अक्टूबर 2026, 01:32 UTC को सहेजा गया।

मैंने 21 अक्टूबर 2026 को पहली गिनी गई रन पढ़ी, संदर्भ से पहले नौ सीटें सील की गईं, पाँच US और चार चीनी। माध्य सहसंबंध पक्षों के भीतर 0.43 है और उनके बीच 0.48 है। सबसे करीबी जोड़े फिर से उन्हें जोड़ते हैं, Meta AI और DeepSeek (0.87), Claude और MiMo (0.72) तीसरा। पक्ष के साधनों के बीच सबसे बड़ी अंतर Brent में एक महीने पर 7.0 अंक तक गिर गई, और नौ सीटों के 126 विभाजनों में से 110 को पाँच और चार के समूहों में कम से कम उतनी ही चौड़ी सबसे बड़ी अंतर दें (p = 0.87)। एक महीने में सोना, 20 अक्टूबर को 12.0 अंक अलग, 0.1 अलग खड़ा था (चित्र 12)। समानता अधिक कारकों पर भी फैल गई। पहला eigenvalue ट्रेस का 54% ले गया (9 का 4.86) बनाम एक दिन पहले 68%, 2.02 बनाम 2.95 की भागीदारी अनुपात के साथ। दोनों सुबहों पर दो सीटें अन्य सीटों से सबसे दूर Claude और StepFun थीं। उनके माध्य सहसंबंध 20 अक्टूबर को 0.47 और 0.52 थे और 21 अक्टूबर को 0.35 और 0.20 थे। नैदानिक के दो सुबह देश के आधार पर कोई ब्लॉक नहीं दिखाते हैं, और F18 और F19 इसे सीजन के दौरान तय करते हैं।

चित्र 12। बाजार और क्षितिज द्वारा US और चीनी सीटों की माध्य कथित संभावनाओं के बीच अंतर: (A) रन 2026-10-20-am (संदर्भ से पहले चार और चार सीटें सील की गईं); (B) रन 2026-10-21-am (पाँच और चार सीटें)।

नोट: संभावना के अंक, US घटा चीनी; नारंगी जहाँ US सीटें अधिक खड़ी हों, नीली जहाँ चीनी सीटें हों। प्रत्येक पैनल के नीचे सबसे बड़ी निरपेक्ष अंतर, उसी आकार के समूहों में समान सीटों के सभी विभाजन की संख्या जो कम से कम उतनी ही बड़ी अंतर दें (A में 70 विभाजन, B में 126), और पक्षों के भीतर और बीच माध्य सहसंबंध। 21 अक्टूबर को Bitcoin पंक्ति Meta AI की कोशिकाओं को छोड़ देती है, जो अपना संदर्भ ले जाती हैं। स्रोत: council-forecasts.csv 22 अक्टूबर 2026, 01:32 UTC को सहेजा गया।

6. AI से पहले मनुष्य

लीग मॉडल को मापती है। जो पृष्ठ उन्हें दिखाता है वह यह भी पूछता है कि क्या मॉडल को देखना किसी व्यक्ति को पूर्वानुमान लगाने में मदद करता है या केवल व्यक्ति को उनकी ओर ले जाता है। अधिकांश साक्ष्य उन डिज़ाइनों से आते हैं जिनमें सलाह पहले आती है। Schoenegger et al. (2025) ने 991 प्रतिभागियों को एक भाषा-मॉडल सहायक दिया और लगभग एक चौथाई की सटीकता लाभ पाई, यहाँ तक कि एक सहायक से भी जो शोर वाली सलाह देने के लिए डिज़ाइन किया गया था; Schoenegger et al. (2024) ने पाया कि बारह मॉडलों का एक समूह 925 पूर्वानुमानकर्ताओं की भीड़ से मेल खाता है, और यह कि मानव और मशीन पूर्वानुमानों का एक सरल औसत और भी बेहतर था। लोग किसी एल्गोरिदम को इसे गलत होते देखने के बाद छोड़ देते हैं (Dietvorst et al., 2015), और अन्य सेटिंग्स में इसे मानव सलाह के ऊपर वजन देते हैं (Logg et al., 2019)। एक भू-राजनीतिक पूर्वानुमान टूर्नामेंट में, पूर्वानुमानकर्ता शायद ही कभी मशीन पूर्वानुमानों पर निर्भर करते थे और उन मॉडलों को चुनने की प्रवृत्ति रखते थे जो उनकी पूर्व मान्यताओं से सहमत थे (Abeliuk et al., 2020)। ये डिज़ाइन आसानी से मदद को एंकरिंग से अलग नहीं कर सकते।

6.1 डिज़ाइन

कोई भी आगंतुक सत्र के लिए 12 बाजारों में से प्रत्येक को 55 से 95% के बीच आत्मविश्वास के साथ ऊपर या नीचे चिह्नित कर सकता है, पंजीकरण के बिना। प्रत्येक पाठक को एक बार स्थायी रूप से एक अनाम यादृच्छिक पहचानकर्ता द्वारा दो समूहों में से एक को सौंपा जाता है। देखने वाला समूह मॉडल के उत्तर तुरंत देखता है; अंधा समूह उन्हें केवल सत्र के अपने पहले पूर्वानुमान के बाद देखता है।

6.2 क्या मापा जाता है

सत्र में पहले पूर्वानुमान के लिए लीग चार मात्राएँ रिकॉर्ड करती है। मैं Brier स्कोर को प्राथमिक परिणाम के रूप में लेता हूँ (एक पक्ष पर विश्वास c को उस पक्ष की c/100 की संभावना के रूप में पढ़ा जाता है), दोनों समूहों के लिए समान बाजारों पर, प्रत्येक बाजार को छोटे समूह की गिनती द्वारा भारित किया जाता है। पहले पूर्वानुमान का समय दिखाता है कि क्या मॉडल निर्णय को तेज़ करते हैं। बताया गया आत्मविश्वास हिट दर के विरुद्ध अति आत्मविश्वास देता है। एंकरिंग पहले पूर्वानुमानों का वह अंश है जो सहमति की दिशा से सहमत है, समूहों के बीच तुलना की जाती है। एक अंधा पाठक जो पहले मॉडल खोलता है वह एक झलक के रूप में गिना जाता है। विश्लेषण असाइनमेंट के बाद किया जाता है, झलकों को गैर-अनुपालन के रूप में। council-league.json गिनती, हिट दर, समय, आत्मविश्वास, झलकें और Brier स्कोर को experiment (g0, g1) के अंतर्गत प्रकाशित करता है, और आवश्यकता 16 में डेटा शब्दकोश लेबल है कि कौन सा समूह पहले स्कोर किए गए पूर्वानुमान से पहले अंधा है। प्रयोग सक्रिय है और प्रत्येक आगंतुक के लिए खुला है, और 21 अक्टूबर को यह अपने प्रारंभ पर था, दोनों समूहों में n = 0 स्कोर किए गए पहले पूर्वानुमान। F28 और F29, अनुभाग 8 की भविष्यवाणियों के साथ OSF पर पंजीकृत, इसके दो परिणामों को प्रति समूह 200 मिलान किए गए पहले पूर्वानुमानों पर स्थिर करते हैं।

6.3 भरने के विरुद्ध सुरक्षा

केवल पहले पूर्वानुमान तुलना में प्रवेश करते हैं, और कोई नाम, खाते या संपर्क विवरण एकत्र नहीं किए जाते हैं। आवश्यकता 16 सत्र प्रति पहचानकर्ता प्रति बाजार प्रति पहचानकर्ता एक पहला पूर्वानुमान निर्धारित करती है। पाठक का पता संग्रहित नहीं किया जाता: लीग केवल दिन के साथ इसका एक नमकीन हैश रखती है, दोहराए गए वोटों को सीमित करने के लिए। पाठक पूर्वानुमान संदर्भ समय पर बंद होते हैं, और एक रीसेट पहचानकर्ता को एक नए पाठक के रूप में माना जाता है, रीसेटों का अंश रिपोर्ट किया जाता है।

6.4 तुलना क्या दिखाती है

यादृच्छिक असाइनमेंट दोनों समूहों को एक दूसरे के साथ तुलनीय बनाता है। दोनों एक सार्वजनिक पृष्ठ के आगंतुक हैं जिन्होंने आने का चयन किया है, इसलिए तुलना उनके लिए बोलती है न कि निवेशकों के लिए। यह पहुँच का प्रभाव मापता है, और नीचे दूसरा प्रोटोकॉल एक पहले के निर्णय के संशोधन को मापता है। परिषद के साथ अधिक समझौता एक बदलाव के रूप में मापा जाता है, और संशोधन प्रोटोकॉल प्रतिलिपि से सीखने को बताता है। एक पहचानकर्ता एक अवलोकन योग्य प्रतिभागी के लिए खड़ा है, और एक व्यक्ति के पास कई हो सकते हैं, इसलिए लीग समूह द्वारा सौंपे गए और योगदान देने वाली पहचानकर्ताओं, पहले पूर्वानुमानों और वापसी दरों की रिपोर्ट करती है। दोहराई गई भागीदारी एक माध्यमिक विश्लेषण है जो पहचानकर्ता और सत्र द्वारा क्लस्टर की जाती है।

एक दूसरा प्रोटोकॉल, मानक द्वारा निर्दिष्ट, संशोधन को सीधे मापता है। हर पाठक पहले परिषद को छुपाए हुए एक निजी दिशा और आत्मविश्वास दर्ज करता है, फिर यादृच्छिक असाइनमेंट द्वारा परिषद या नियंत्रण प्रदर्शन दिखाया जाता है, और समान बाजार और सत्र के लिए एक अंतिम पूर्वानुमान दर्ज करता है। प्राथमिक परिणाम निजी से अंतिम पूर्वानुमान तक Brier स्कोर में परिवर्तन में हथियारों के बीच अंतर है; परिषद की ओर आंदोलन को अलग से सत्रों के लिए रिपोर्ट किया जाता है जिन पर इसकी कॉल सही और गलत थी, इसलिए सीखने और प्रतिलिपि को अलग किया जा सकता है। संशोधन प्रोटोकॉल इस पत्र के दिनांकित संशोधनों में प्रवेश करता है जब यह चलता है।

7. AI बाजार क्षेत्रों का एक दिनांकित मानचित्र

7.1 मानचित्र क्या दर्ज करता है

2023 और 2026 के बीच "क्या AI मॉडल बाजारों का पूर्वानुमान लगा सकते हैं?" यह सवाल चार रूपों में पूछा गया: ऐतिहासिक कीमतों पर मॉडल निर्णयों के बैकटेस्ट, अभी भी खुले सवालों पर बेंचमार्क, ऐसे क्षेत्र जिनमें मॉडल वास्तविक या आभासी धन का व्यापार करते हैं, और भविष्यवाणी बाजार जो आधार रेखा या एक स्थान के रूप में उपयोग किए जाते हैं। मानचित्र दर्ज करता है कि किसने प्रत्येक प्रयास को कब प्रस्तुत किया और उसने क्या मापा। तालिका 9 में मैं प्रत्येक से छह सवाल पूछता हूँ: पूर्वानुमान का समय कैसे सुरक्षित किया जाता है और किस विश्वास स्तर पर, क्या संभावनाओं को कड़ाई से उचित नियम द्वारा स्कोर किया जाता है, क्या कई दिगंत की तुलना एक ही परिसंपत्तियों पर की जाती है, क्या मॉडलों के बीच समझौते को उनके सहसंबंध के विरुद्ध पढ़ा जाता है (स्वतंत्र आवाज़ों की गिनती या सहसंबंध भार), क्या कोई मानव AI को देखने से पहले पूर्वानुमान लगाता है, और क्या डेटा खुले हैं। परिशिष्ट E में मैं संदर्भ कार्यान्वयन की तुलना सबसे करीबी प्रयासों के साथ सुविधा दर विशेषता से करता हूँ (तालिका E1)।

विश्वास स्तर चित्र 4 और खंड 3.12 का पालन करते हैं: 0, ऑपरेटर का आगमन रिकॉर्ड; 1, एक ऑपरेटर फिंगरप्रिंट या हैश-लिंक्ड रिकॉर्ड जिसका समय ऑपरेटर या उसके होस्ट पर निर्भर है; 2, ऑपरेटर के बाहर प्रतिबद्ध एक फिंगरप्रिंट, जो बाहर से सीमा निर्धारित करता है कि रिकॉर्ड कब अस्तित्व में था, उस रिकॉर्ड की सहनशीलता के भीतर (Bitcoin के लिए, ब्लॉक के हेडर समय के कुछ घंटे बाद, क्योंकि एक हेडर समय को पिछले ग्यारह के माध्यिका से अधिक होना चाहिए और वास्तविक समय से आगे चल सकता है); 2+, स्तर 2 प्लस प्रत्येक सील पर एक तीसरे पक्ष के हस्ताक्षरित समय (RFC 3161)। बैकटेस्ट के पास सुरक्षित करने के लिए कोई सबमिशन समय नहीं है। मैंने प्रकाशित पत्रों, प्रोजेक्ट पृष्ठों, भंडारों और प्रेस रिपोर्टों से मानचित्र बनाया, और 21 अक्तूबर 2026 को खोज बंद की। खंड 7.4 में प्राथमिकता का प्रत्येक दावा यहाँ समीक्षा किए गए प्रयासों तक सीमित है। "ND" का मतलब 21 अक्तूबर 2026 तक सार्वजनिक रूप से प्रलेखित नहीं: सार्वजनिक विवरण में नहीं मिला, जो अनुपस्थिति को साबित नहीं करता। मैं दर्ज करता हूँ कि प्रत्येक प्रयास अपनी सार्वजनिक सामग्री से क्या साबित कर सकता है और उनकी गुणवत्ता को अश्रेणीबद्ध छोड़ता हूँ।

7.2 समयरेखा

2023 से 2024। Lopez-Lira और Tang (2023) ने दिखाया कि समाचार शीर्षकों के GPT स्कोर बाद की स्टॉक रिटर्न की भविष्यवाणी करते हैं, जिसने क्षेत्र को और इसकी केंद्रीय संदेह को खोल दिया (खंड 2.1)। 2024 में लाइव सवाल आए। एक पुनर्प्राप्ति-संवर्धित प्रणाली मानव समग्र पर सवालों पर पहुँची जो मॉडल के कटऑफ के बाद प्रकाशित किए गए थे (Halawi et al., 2024), बारह मॉडलों का एक समूह 925 लोगों की भीड़ से मेल खाता था (Schoenegger et al., 2024), Metaculus ने पेशेवरों के विरुद्ध बॉट्स की त्रैमासिक टूर्नामेंट चलाई, जो 2025 के मध्य तक हर क्वार्टर में आगे थे (Metaculus, 2025a, 2025b), और ForecastBench ने आठ दिगंत पर लगभग एक हज़ार उत्पादित सवाल पूछे और विशेषज्ञों को अभी भी सर्वश्रेष्ठ मॉडल से आगे पाया (Karger et al., 2025)।

2025। वित्त बेंचमार्क और धन क्षेत्र अनुसरण किया। InvestorBench ने ऐतिहासिक डेटा पर अनुकरणीय वित्तीय निर्णय प्रस्तुत किए (H. Li et al., 2025), और बैकटेस्ट में मेमोरी और लुकअहेड पर सबूत जमा हुआ (Lopez-Lira et al., 2025; W. W. Li et al., 2025; Paleka et al., 2026; Gao et al., 2025)। FutureX ने एजेंटों के दैनिक लाइव बेंचमार्क चलाया (Zeng et al., 2025)। अक्तूबर में, Alpha Arena ने प्रेस रिपोर्ट के अनुसार छह मॉडलों को वास्तविक धन दिया (Forklog, 2025a, 2025b; Yahoo Finance, 2025), StockBench ने Dow स्टॉक को वापस-ट्रेड किया (Y. Chen et al., 2025), Agent Market Arena ने लाइव व्यापार किया (Qian et al., 2025), और Prophet Arena ने कैलिब्रेशन और अनुकरणीय रिटर्न द्वारा लाइव Kalshi और Polymarket सवालों को स्कोर किया (Yang et al., 2025)। LiveTradeBench (Yu et al., 2025), Rallies AI Arena (Rallies.ai, 2025-2026), AIA Forecaster, जिसने सुपरफोरकास्टर्स से मेल खाया और बाजार के साथ मिलकर इसे हराया (Alur et al., 2025), और KalshiBench, जिसने पाँच सीमांत मॉडलों को अत्यधिक आत्मविश्वासी पाया (Nel, 2025), वर्ष को बंद किया।

2026, पहली छमाही। भविष्यवाणी बाजार एक स्थान बन गए। FinDeepForecast ने साप्ताहिक गहन-अनुसंधान एजेंट चलाए (X. Li et al., 2026)। Gemini स्टॉक पूर्वानुमान का एक डेटासेट "समय-लॉक्ड" कहा गया था बिना प्रलेखित तंत्र के (louidev, 2026)। PredictionMarketBench ने Kalshi ऑर्डर बुक्स को दोबारा चलाया (Arora & Malpani, 2026)। Prediction Arena ने Kalshi और Polymarket पर छह मॉडलों को वास्तविक पूंजी दी और ऑपरेटर के लॉग से खाता मूल्य स्कोर किया (Zhang et al., 2026)। PolyBench ने Polymarket स्नैपशॉट पर 36,165 भविष्यवाणियों को स्कोर किया (Cheng et al., 2026)। PolySwarm ने 50 भाषा-मॉडल व्यक्तित्वों के एक झुंड का प्रस्ताव दिया जिनकी संभावनाएँ Polymarket कीमतों के साथ मिश्रित हैं और Brier स्कोर द्वारा स्कोर की जाती हैं (Barot & Borkhatariya, 2026)। मई में, Foresight Arena ने एक अनुमति रहित बेंचमार्क का प्रस्ताव दिया जिसमें एजेंट Polymarket इवेंट्स की Keccak256 कमिट-रिवील के माध्यम से Polygon पर डेडलाइन से पहले हैश्ड पूर्वानुमान प्रतिबद्ध करते हैं, एक एजेंट और राउंड प्रति रिलेयर पर लागू, Brier स्कोर और डेडलाइन पर मिड-प्राइस के विरुद्ध एक Alpha स्कोर द्वारा स्कोर किया जाता है। इसका पेपर अनुकरणीय परिणामों की रिपोर्ट करता है, और एक साथी अध्ययन इस पर लाइव एजेंट चलाता है (Nechepurenko & Shuvalov, 2026a, 2026b)।

2026, दूसरी छमाही। MarketMania (15 जुलाई) सात मॉडलों को एक प्रकटीकृत पेलोड देता है, पाँच क्रिप्टोकरेंसी पर पाँच दिगंत पर कथित संभावनाओं को स्कोर करता है, हेर्डिंग को बहुमत से सहमत होने की लिफ्ट के रूप में मापता है, और पहचान किए गए सवालों को फिर से पूछता है, कोई प्रतिबद्धता दस्तावेज़ के रूप में प्रलेखित नहीं (MarketMania, 2026)। NeuPortal एक अनाम AI के फुटबॉल संभावनाओं को OpenTimestamps के माध्यम से Bitcoin में anchors करता है (NeuPortal, 2026)। LLM Trading Arena (20 जुलाई) प्रत्येक फिल और तर्क को एक सार्वजनिक git इतिहास में प्रतिबद्ध करता है (MaxWellApexLab, 2026)। LiveMacroEval ने प्रति घंटा मैक्रोइकोनॉमिक नाउकास्ट चलाए (Zhao et al., 2026), TradeRank 10 अक्तूबर को अपने दसवें सीज़न को खोला (TradeRank, 2026), और Prophet Arena ने ऑपरेटर की घड़ी पर salted SHA-256 हैशों का एक रजिस्टर प्रलेखित किया (Prophet Arena, 2026)। AI Council · Markets ने 16 अक्तूबर 2026 को अपना पहला रन सील किया और 19 अक्तूबर 2026 को अपना स्कोर गिनना शुरू किया।

7.3 प्रत्येक क्या साबित कर सकता है

तालिका 9। AI बाजार क्षेत्र और भविष्यवाणी बेंचमार्क, 2023 से 2026: प्रत्येक अपनी सार्वजनिक सामग्री से क्या साबित कर सकता है।

नोट: ND = 21 अक्टूबर 2026 तक सार्वजनिक रूप से प्रलेखित नहीं, जिसका अर्थ है कि संपत्ति सार्वजनिक विवरण में नहीं मिली और कोड का निरीक्षण नहीं किया गया। "उचित नियम" केवल पूर्वानुमान संभावना (Brier, log score) का सख्ती से उचित स्कोर गिनता है। सटीकता, ECE और रिटर्न को नहीं के रूप में चिह्नित किया गया है। "अलग पूल" का अर्थ है कि मनुष्य एक ही प्रश्नों पूर्वानुमान स्वतंत्र रूप से करते हैं, यह नहीं कि एक मानव पहले पूर्वानुमान करता है और फिर AI को देखता है। Alpha Arena और Rallies AI Arena प्रेस रिपोर्ट पर आधारित हैं। मैंने Foresight Arena और Prediction Arena को पूर्ण पाठ में पढ़ा (arXiv:2605.00420v2, arXiv:2604.07355v1), NeuPortal और LLM Trading Arena को उनके repositories से, और MarketMania को इसकी पद्धति और अनुसंधान पृष्ठों से पढ़ा। NeuPortal एक market arena नहीं है। मैं इसे सूचीबद्ध करता हूँ क्योंकि इसकी मुहर यहाँ मानकीकृत की गई है। AIA Forecaster, FinDeepForecast और GlassBallAI डेटासेट केवल समयरेखा में हैं। स्रोत अनुभाग 7.2 में दिए गए हैं।

7.4 नक्शा पढ़ना

विश्वास कॉलम क्षेत्र को बैकटेस्ट से आगे बढ़ते हुए दिखाता है, जो समय सुरक्षित नहीं कर सकते, live प्रश्नों तक जो ऑपरेटर के रिकॉर्ड द्वारा सुरक्षित हैं, और ऑपरेटर registers तक जो salted hashes के साथ हस्ताक्षरित receipts हैं (Prophet Arena)। Level 2 वित्तीय संकेतकों के निश्चित पैनल के बाहर मौजूद है। Foresight Arena Polymarket events के पूर्वानुमान को Polygon पर प्रतिबद्ध करता है, उनमें से कुछ asset prices पर (Nechepurenko & Shuvalov, 2026a, 2026b)। प्रतिस्पर्धी weather पूर्वानुमान Zeus subnet में on-chain प्रतिबद्ध हैं (Ørpheus AI, n.d.), और NeuPortal football संभावनाओं को Bitcoin में anchor करता है। विलंबित प्रकटीकरण के साथ sealed वित्तीय पूर्वानुमान Financial Bubble Experiment (Sornette et al., 2010) तक जाते हैं, और एक non-AI पूर्वानुमान रिकॉर्ड Bitcoin में anchored है और Brier score (Jyotish, 2026) द्वारा graded है। Free public timestamping मौजूद है (Todd, 2016), इसलिए anchor सस्ता है। इसके चारों ओर के नियम इसे एक fair परीक्षा बनाते हैं।

संभावनाएँ और portfolios शायद ही कभी मिलती हैं। अधिकांश arenas जो score रिटर्न या account value trade करते हैं, और अधिकांश benchmarks जो संभावनाओं को score करते हैं वे trade नहीं करते। Prophet Arena simulated रिटर्न के माध्यम से दोनों को जोड़ता है, MarketMania उन पूर्वानुमानों को paper-trade करता है जिन्हें यह scores करता है, और Foresight Arena बाजार की कीमत के विरुद्ध संभावनाओं को scores करता है। वित्तीय बाजारों के लिए एक मानक दोनों की आवश्यकता है। Portfolio उस प्रश्न का उत्तर देता है जो उपयोगकर्ता पूछते हैं, और संभावना वह हिस्सा है जिसे एक उचित नियम एक छोटे रिकॉर्ड पर score कर सकता है (अनुभाग 2.4)। एक कॉलम खाली है: Table 9 में कोई भी प्रयास अपनी सार्वजनिक सामग्रियों में correlated आवाजों के लिए समझौते को छूट नहीं देता। MarketMania herding को मापता है लेकिन समझौते को आवाजों की गणना में नहीं बदलता, और Foresight Arena बाजार के परिणामों को स्वतंत्र मानता है। भाषा मॉडल के बाहर, Numerai tournament एक मॉडल के योगदान को सभी submissions से बने meta model के विरुद्ध अपनी भविष्यवाणियों को neutralise करने के बाद scores करता है (Numerai, n.d.)। यह distinct signal को reward करता है, और यह खुला रहता है कि एक consensus कितने independent आवाजें रखता है। मॉडल offline एक साथ error करते हैं इसका सबूत मजबूत है (अनुभाग 5)।

क्या नया है। लीग में छह डिज़ाइन 21 अक्टूबर 2026 तक समीक्षा की गई प्रणालियों में कोई match नहीं हैं (Table E1, Table 9)। पहले तीन इसे नक्शे पर हर प्रणाली से अलग करते हैं:

1. AI Council · Markets AI पूर्वानुमानों का पहला live लीग है जो वित्तीय संकेतकों के निश्चित पैनल पर होता है जो अपनी पूर्वानुमान ledger को ऑपरेटर के बाहर anchor करता है, प्रत्येक पूर्वानुमान को अपनी seal के बाद लिए गए reference price से scores करता है, counted run को एक नियम द्वारा fixes करता है जो advance में घोषित किया जाता है और हर दूसरी run published और labelled है, और एक daily effective-voice count की रिपोर्ट करता है। Counted record में, 21 अक्टूबर 2026 से, counted-run rule advance में घोषित किया जाता है और प्रश्नों की chain में sealed किया जाता है, और कम से कम दो independent RFC 3161 authorities counted उत्तरों को reference price (level 2+) से पहले रखते हैं। Table 12 19 और 20 अक्टूबर 2026 के development sessions के लिए प्रत्येक element का level देता है, seal और reference price के क्रम के लिए level 1। Foresight Arena nearest conjunction है: एक external anchor, प्रति agent और round एक relayer-enforced commit और एक benchmark price commit deadline पर, fixed indicator panel पूर्वानुमान daily के बजाय Polymarket events पर।
2. यह AI पूर्वानुमानों का पहला live लीग है जो वित्तीय संकेतकों पर होता है जो, हर run पर, एक stated eligibility rule (counted runs, answers seal before reference) द्वारा voices की effective संख्या की रिपोर्ट करता है, consensus में family weights और unanimous error और right minorities की counts के साथ। सूत्र classical है (Kish, 1965; Clemen & Winkler, 1985), मॉडल errors का correlation offline established है (Kim et al., 2025; Spiro, 2026; Aitchison et al., 2026), और herding live measured किया गया है (MarketMania, 2026)। दावा एक live लीग के अंदर count है।
3. यह एक मानक का प्रस्ताव देता है जो content integrity, externally bounded existence, commitment before the reference price और identification को अलग करता है जो forecast को गिनता है, numbered MUST और SHOULD requirements के रूप में लिखा गया है जिसमें checks एक reader चला सकता है (अनुभाग 3.13, Appendix B)। अनुभाग 3.13 reference implementation के लिए प्रत्येक requirement का status देता है। न तो Foresight Arena और न ही Prediction Arena दूसरों को adopt करने के लिए एक मानक का प्रस्ताव देते हैं।

अन्य तीन इसे नक्शे पर हर AI market arena से अलग करते हैं:

4. Readers को एक बार assign किया जाता है, randomly, और कभी reassign नहीं किया जाता, दो groups में से एक के लिए जो एक ही दिन models के रूप में एक ही markets पर पूर्वानुमान करते हैं: एक models को एक बार में देखता है, दूसरा केवल अपने पहले पूर्वानुमान के बाद, तो यह उन्हें देखने से पहले पूर्वानुमान करता है (अनुभाग 6)। डिज़ाइन live है और हर visitor के लिए open है, इसके दो परिणाम F28 और F29 के रूप में registered हैं और 200 first पूर्वानुमान प्रति group पर पढ़े जाते हैं। पहले के डिज़ाइन मनुष्यों के अलग pools की तुलना करते हैं (ForecastBench, Metaculus) या लोगों को पहले एक AI सहायक देते हैं (Schoenegger et al., 2025)।
5. US laboratories से सात मॉडल और Chinese laboratories से सात, एक different laboratory से प्रत्येक, एक ही प्रश्न का उत्तर देते हैं, एक चरण में भेजा गया, एक ही snapshot पर एक ही deadline, नियमों और accounts के तहत (अनुभाग 5.8, Table 8)। Nearest rosters RockAlpha के हैं, छह Chinese और चार US models, one per laboratory, 2× leverage के साथ (Rockflow, n.d.), और AI-Trader के, तीन और तीन, US stocks, A-shares और cryptocurrencies trading (Fan et al., 2025)। न तो एक seal, एक probability score या एक reader डिज़ाइन publish करते हैं। अन्य rosters दो Chinese models को छह से आठ (Alpha Arena, Rallies AI Arena, LLM Trading Arena, MarketMania) के बीच mix करते हैं, और TradeRank एक country डिज़ाइन के बिना 22 models fields करता है।
6. लीग के बारे में तीस dated भविष्यवाणियाँ, प्रत्येक एक measure, एक check date और एक refutation rule के साथ, तीन families के मॉडल के blind votes द्वारा priced किया जाता है और उनके resolvers के साथ registered किया जाता है उससे पहले कि डेटा जो उन्हें तय करता है वह मौजूद हो (अनुभाग 8)।

द क्लोज्ड बुक, स्कोर्ड क्रिटिक्स और रिपीटेड क्वेरीज़ लीग में भी चलते हैं, और उनके पूर्ववर्ती टाइमलाइन में दिखाई देते हैं (सेक्शन 7.2, टेबल E1)।

लीग किस पर निर्माण करती है। परिणाम से पहले हैश किए गए पूर्वानुमान की प्रतिबद्धता (Foresight Arena; NeuPortal और Jyotish OpenTimestamps के माध्यम से) और विलंबित प्रकटीकरण के साथ वित्तीय पूर्वानुमानों की मुहरबंदी (Sornette et al., 2010) इस लीग से पहले आती हैं। NeuPortal, सबसे निकट मुहर, चार तरीकों से भिन्न है: एक अनाम मॉडल, फुटबॉल, लॉक के समय या उससे पहले लिया गया एक भीड़ बेंचमार्क, और कोई गिनती-दौड़ नियम या हैश चेन प्रलेखित नहीं। पहले के प्रयास दैनिक बहु-मॉडल मनी लीग (Alpha Arena, Agent Market Arena, Rallies AI Arena, LLM Trading Arena, TradeRank), $100,000 वर्चुअल खातों, खातों या स्कोर की तीसरी-पक्ष पुनर्गणना (LLM Trading Arena, Foresight Arena) और लीवरेज (Alpha Arena, RockAlpha) भी प्रदान करते हैं। वे उत्तर समय पर भविष्यवाणी-बाजार मूल्यों के साथ तुलना (Foresight Arena, Prophet Arena, NeuPortal, the AIA Forecaster), शक्ति विश्लेषण के साथ एक उचित स्कोर (Foresight Arena), कई क्षितिज पर संभाव्यता स्कोर पेपर व्यापार के साथ (MarketMania; ForecastBench क्षितिज के लिए), एक जलवायु कौशल स्कोर (KalshiBench) और एक एंकर किए गए क्षेत्र पर लाइव समन्वय डिज़ाइन (Nechepurenko & Shuvalov, 2026b) भी प्रदान करते हैं। लीग ये सुविधाएँ उपयोग करती है। ईवेंट प्रश्न, वास्तविक-धन व्यापार और हज़ारों प्रश्नों की व्यापकता अन्य डिज़ाइन हैं जिनकी अपनी-अपनी ताकतें हैं, और वे एक निश्चित दैनिक पैनल को पूरक करते हैं।

8. पंजीकृत भविष्यवाणियाँ

मैं यहाँ, तारीखों, सीमाओं और संभावनाओं के साथ, बताता हूँ कि लीग क्या दिखाएगी, और इसकी खुली फ़ाइलें इसका निर्णय करेंगी। यह संस्करण दो स्कोर किए गए सत्रों को पढ़ता है, 20 अक्टूबर 2026 तक। प्रत्येक भविष्यवाणी अपना माप नाम देती है, खुला क्षेत्र या दाखिल की गई स्क्रिप्ट जो इसे हल करती है, एक जांच तारीख, वह परिणाम जो इसकी पुष्टि करता है और वह परिणाम जो इसे खंडित करता है, और एक संभावना जो एक त्रुटि को स्कोरेबल बनाती है (Brier, 1950; Gneiting & Raftery, 2007), Chernets (2026c) के अनुसार। डेटा से पहले भविष्यवाणियों को पंजीकृत करना जो उन्हें हल करता है, पूर्वानुमान को उस साक्ष्य से अलग करता है जो इसे परीक्षा देता है (Nosek et al., 2018); डिज़ाइन Registered Report की तर्क का अनुसरण करता है, जिसमें विधियाँ और विश्लेषण परिणाम मौजूद होने से पहले तय किए जाते हैं (Chambers, 2013)। प्रोटोकॉल यह हर सुबह मॉडल के लिए करता है; यह खंड इसे एक बार प्रोटोकॉल के लिए करता है।

प्राथमिक अंतिम बिंदु। एक तुलना प्राथमिक है, और लीग का कौशल का दावा केवल इस पर टिकता है: क्या परिषद की सहमति दिन का आधार दर से बेहतर पूर्वानुमान लगाती है? सत्र 11 (2 नवंबर 2026) से सत्र 126, सीज़न के अंत तक प्रत्येक सत्र $s$ के लिए, युग्मित लाभ है

$$G_s = \frac{1}{|E_s|}\sum_{e \in E_s}\left[(q_e - y_e)^2 - (p_e - y_e)^2\right],$$

जहाँ $E_s$ सत्र की एक-दिवसीय बाज़ार घटनाओं का समुच्चय है जिनका सहमति ने उत्तर दिया है, $p_e$ प्रकाशित सहमति है (खंड 5.3) केवल घटना के संदर्भ मूल्य से पहले मुहरबंद उत्तरों से बनी है, $y_e$ सभी पंक्तियों पर सख्त वृद्धि के लिए 1 है और अन्यथा 0 है, ड्रॉ सहित (खंड 3.5), और $q_e$ 2016 से 2025 की घटना के बाज़ार की एक दिन में सख्त वृद्धि की बारंबारता है, सभी पंक्तियों का गिनती: climatology_fixed.table[*] में p_up फ़ील्ड (horizon 1d) council-calibration.json में, ड्रॉ-बहिष्कृत p_up_ex_draw नहीं जो लीग अपने स्वयं के कौशल स्कोर के संदर्भ के रूप में उपयोग करती है। तालिका council-clim-window.json फ़ाइल द्वारा मुहरबंद है, डेटा पते के तहत प्रकाशित, जिसकी सामग्री SHA-256 (JSON के बिना इसकी sha256 कुंजी, कुंजियाँ क्रमबद्ध) 2810d11e907bbaa1f311d06622c929c69e60cc81e558fdb78f5baa04113cabb7 है। दाखिल की गई स्क्रिप्ट फ़ील्ड को पढ़ती है और मुहर की जांच करती है। यह फ़ील्ड 21 अक्टूबर 2026, 08:54 UTC से खुली फ़ाइलों में है, और स्क्रिप्ट इसे बिना त्रुटि के पढ़ती है। जहाँ दैनिक इतिहास लाइव विंडो को कवर नहीं करता है, बारंबारता निकटतम दैनिक घटना का उपयोग करती है (खंड 10)। सकारात्मक $G_s$ का अर्थ है सहमति में छोटा नुकसान था। प्रत्येक घटना एक सत्र के भीतर समान रूप से वजन करती है और प्रत्येक सत्र विंडो भर में समान रूप से वजन करता है। अनुमान $G_s$ का माध्य है। इसका अंतराल सत्रों के ऊपर एक गतिशील-ब्लॉक बूटस्ट्रैप है, पाँच के ब्लॉक, 10,000 रीसैंपल्स, बीज 20261102, प्रतिशतक अंतराल (Künsch, 1989; Diebold & Mariano, 1995)। निर्णय 30 अप्रैल 2027 को क्रम में पढ़ा जाता है। प्राथमिक दावा की पुष्टि होती है यदि 95% अंतराल पूरी तरह से शून्य से ऊपर है। अन्यथा, यदि 90% अंतराल पूरी तरह से ±0.01 Brier के समतुल्यता क्षेत्र के भीतर है, सीमा जो मानक हर पुष्टिकारी तुलना के लिए घोषित करती है (खंड 4.6), परिणाम किसी भी व्यावहारिक आकार का लाभ नहीं पढ़ता है। कोई अन्य परिणाम अनिर्णायक है, और एक गैर-महत्वपूर्ण लाभ समतुल्यता के रूप में नहीं पढ़ा जाता है। एक पुष्टि किया गया लाभ जिसका 90% अंतराल भी क्षेत्र के भीतर है, पुष्टि किया गया और सीमा से छोटा होने के रूप में रिपोर्ट किया जाता है। खुली फ़ाइल के वर्तमान नुकसान मानक विचलन और सहसंबंध पर (power_brier council-stats.json में), 126 सत्र लगभग 0.01 के अंतर को अलग बता सकते हैं, इसलिए क्षेत्र वह मेल खाता है जो सीज़न हल कर सकता है। एक पंजीकृत संवेदनशीलता विश्लेषण निर्णय के साथ रिपोर्ट किया जाता है: S&P 500, Nasdaq-100, Dow और सेमीकंडक्टर सूचकांक पर समान युग्मित लाभ, जिसका आधार दर घटना के स्वयं के 09:30 से 16:00 ET सत्र पर गणना की जाती है (sensitivity_exact_window दाखिल की गई स्क्रिप्ट में)। पंजीकृत संभावना कि प्राथमिक दावा की पुष्टि की जाती है 0.08 है। अनुमान सीज़न जो पथ लेता है उसके लिए है, और स्कोरकार्ड विंडो पर बाज़ार द्वारा दैनिक परिवर्तनों का माध्य और फैलाव रिपोर्ट करता है।

सत्र 11 से पहले के सत्र और रन डिज़ाइन विंडो बनाते हैं। इनमें खंड 5.2 के दो स्कोर किए गए विकास सत्र शामिल हैं, इन्होंने डिज़ाइन और कुछ थ्रेसहोल्ड को सूचित किया, और कोई पुष्टिकरण अनुमान उन्हें पढ़ता नहीं है। नीचे दी गई तीस भविष्यवाणियाँ माध्यमिक दांव हैं, अपने स्वयं के ब्रियर स्कोर द्वारा एक साथ स्कोर की गई हैं, और कोई भी अकेले कौशल की पुष्टि के रूप में नहीं पढ़ी जाती है। लीग के पृष्ठों पर दैनिक तालिकाएँ वर्णनात्मक हैं, और एक दावा एक पंजीकृत जाँच तारीख पर पढ़ा जाता है। एक माध्यमिक वैज्ञानिक प्रश्न दिशा के बिना घोषित किया गया है: क्या असहमति मदद करती है? पूर्वानुमानकर्ताओं के बीच प्रसार के आर्थिक अर्थ हैं मिलर (1977) के बाद से: जिन स्टॉक पर विश्लेषकों की पूर्वानुमान अधिक असहमत हैं, वे बाद में कम रिटर्न अर्जित करते हैं (डिएथर एट अल., 2002)। सीटों का फैलाव मशीन पूर्वानुमान असहमति का लीग का संस्करण है, जो वित्त में मशीन-लर्निंग मॉडल के बीच रिटर्न पूर्वानुमान के प्रसार के रूप में मापा जाता है और कम स्टॉक रिटर्न की भविष्यवाणी करता है (बली एट अल., 2023) और कम क्रिप्टोकरेंसी रिटर्न (चु एट अल., 2025)। यहाँ पूर्वानुमानकर्ता भाषा मॉडल हैं, पूर्वानुमान एक निश्चित घटना की संभावना है, और प्रश्न सटीकता के बारे में है। पंजीकरण के बाद गिनती की गई एक दिन की घटनाओं पर, सीटों की संभावनाओं का फैलाव (घटना के लिए उनकी बताई गई संभावनाओं का जनसंख्या मानक विचलन, अंकों में) तीसरों में विभाजित किया गया है, 33.3वें और 66.7वें प्रतिशतक पर सीमाएँ सत्र 1 से 10 पर, दायर की गई स्क्रिप्ट द्वारा इस नियम से अग्रिम रूप से निर्धारित की गई। सर्वसम्मति का जलवायु पर युग्मित लाभ सर्वोच्च और सबसे निम्न तीसरे के बीच बाजार स्थिर रखते हुए तुलना की जाती है, दोतरफा। आँकड़े दो तीसरों के बीच मतलब लाभ में अंतर के बाजार के बीच माध्य हैं, एक चलती-ब्लॉक बूटस्ट्रैप अंतराल के साथ, और यह अनसुलझा है यदि किसी भी तीसरे में 30 से कम घटनाएँ हैं। एक दूसरा माध्यमिक प्रश्न खंड 5 की थीसिस को सीधे परीक्षण करता है: क्या सहसंबद्ध आवाजों में छूट देने में मदद मिलती है? सत्र 11 से 126 की गिनती की गई एक दिन की घटनाओं पर, प्रकाशित सर्वसम्मति और खंड 5.3 की छाया सर्वसम्मति के बीच युग्मित ब्रियर अंतर, जिसके वजन पंजीकरण के साथ दायर किए गए हैं, प्राथमिक समापन बिंदु के समान चलती-ब्लॉक बूटस्ट्रैप द्वारा अनुमानित किया गया है और ±0.01 के समान समतुल्य क्षेत्र के विरुद्ध पढ़ा गया है। कोई भी माध्यमिक प्रश्न एक पंजीकृत संभावना नहीं रखता है, इसलिए भविष्यवाणियों की संख्या तीस रहती है। दोनों की कोई बहुलता समायोजन के बिना रिपोर्ट की गई है। एक और वैज्ञानिक तुलना एक नया पंजीकरण होगी।

8.1 भविष्यवाणियाँ लिखने के नियम

प्रत्येक भविष्यवाणी लीग के खुले डेटा से हल होती है, CC BY 4.0 के तहत, https://trends.polyhelper.ai/api/v1/ पर, और किसी को भी निजी रूप से रखे गए डेटा की आवश्यकता नहीं है। सेट ए (10 भविष्यवाणियाँ: F1, F2, F5, F7, F8, F20, F22, F23, F24 और F28) एक प्रकाशित क्षेत्र द्वारा, या दो की तुलना द्वारा परिभाषित है, जिसे कोई भी ब्राउजर में पढ़ सकता है; दायर की गई स्क्रिप्ट विंडो में क्षेत्र को लागू करती है। सेट बी (20 भविष्यवाणियाँ) खुली कच्ची फ़ाइलों पर गणना की आवश्यकता है। प्रत्येक के लिए, स्क्रिप्ट पंजीकरण के साथ दायर की जाती है, इसके SHA-256 के साथ, इससे पहले कि डेटा मौजूद हों जिसे वह पढ़ेगी, और स्क्रिप्ट परिभाषा है।

एक विंडो नियम हर पंक्ति पर लागू होता है जब तक कि पंक्ति किसी और को नाम न दे: भविष्यवाणी सत्र 11 से इसकी जाँच तारीख तक सत्र से गणना की जाती है, सत्र के 09:30 ET संदर्भ से पहले सील की गई गिनती की गई पंक्तियों पर (समान कट Bitcoin पर लागू होता है, जिसका संदर्भ पंक्ति की सील के बाद पहली एक-मिनट की पट्टी का बंद है), सभी पंक्तियों पर ब्रियर स्कोर (ड्रॉ शामिल)। जहाँ एक प्रकाशित क्षेत्र पहले के सत्रों को भी कवर करता है, दायर की गई स्क्रिप्ट विंडो में क्षेत्र की परिभाषा को लागू करती है। एक सत्र एक दिन है जब न्यूयॉर्क स्टॉक एक्सचेंज खुला है: सत्र 1, 19 अक्टूबर 2026 है, सत्र 10, 30 अक्टूबर है, सत्र 11, 2 नवंबर है, सत्र 30, 30 नवंबर है और सत्र 52, 31 दिसंबर 2026 है, 26 नवंबर और 25 दिसंबर बंद हैं। 126 सत्रों का मौसम लगभग 20 अप्रैल 2027 के आसपास समाप्त होता है और 30 अप्रैल 2027 को जाँचा जाता है। प्रत्येक भविष्यवाणी इसकी तारीख के बाद खुली फ़ाइलों के पहले प्रकाशन पर जाँची जाती है। OSF स्क्रिप्ट में रिज़ॉल्वर (resolve.py, नियम संस्करण osf-rules-1) चार विवरण को ठीक करते हैं जो पंक्तियाँ खुले छोड़ जाती हैं। "रैंक किया गया" भविष्यवाणी की अपनी विंडो के भीतर लागू 30/10 नियम है, F8 को छोड़कर, जो लीग के झंडे को पढ़ता है। F25 की दो तिमाहियाँ सत्र 11 से 52 (विकास अवधि के बाद Q4 2026) और 4 जनवरी से 31 मार्च 2027 के सत्र हैं। F15 का गति नियम संकेतक के लीग परिणाम की दिशा है पिछले सत्र (संदर्भ मूल्य से बंद) 55% पर, शून्य चाल के बाद कोई पूर्वानुमान नहीं, सभी पंक्तियों पर स्कोर किया गया। तीसरों के लिए उपयोग किया गया प्रसार सीटों की संभावनाओं का मानक विचलन है।

जैसे की तुलना जैसे से की जाती है: एक मॉडल सिक्का के विरुद्ध, गति नियम, सर्वसम्मति और भीड़ एक ही सत्रों और बाजारों पर। मॉडलों के बीच तुलनाओं में एक सत्र के भीतर प्रत्येक घटना का समान वजन होता है और विंडो के बीच प्रत्येक सत्र समान वजन होता है, उन सीटों पर जिन्होंने उस सत्र का उत्तर दिया, इसलिए नमूना उपलब्ध सीटें हैं। जहाँ एक भविष्यवाणी को न्यूनतम नमूने की आवश्यकता होती है, जाँच की तारीख पर एक छोटा नमूना इसे अनसुलझा छोड़ देता है। यदि कोई क्षेत्र का नाम बदल दिया जाता है, तो रिज़ॉल्वर डेटा शब्दकोश (arena-dataset.json और प्रकाशित स्कीमा) में दस्तावेज़ित समतुल्य का उपयोग करता है और मैपिंग को लॉग करता है। मैंने F1 से F5 और F9 की थ्रेसहोल्ड सेट की हैं पहली सील की गई रन मेरे लिए दृश्यमान थीं के बाद। उनकी विंडोएँ सत्र 11 पर शुरू होती हैं, इसलिए कोई भी उन रन उन्हें तय नहीं करता है। उनके न्यूनतम नमूनों पर तीन भविष्यवाणियाँ वर्णनात्मक हैं, इन मानक त्रुटियों के साथ: F14 कैलिब्रेशन अंतराल के लिए लगभग 5 अंक 100 पूर्वानुमानों पर, F22 शेयर के लिए लगभग 11 अंक 20 आलोचनाओं पर और F28 अंतर के लिए लगभग 0.02 ब्रियर 200 पहली भविष्यवाणियों पर प्रति समूह। F15, F21 और F28 बिंदु अनुमानों की तुलना 0.01 थ्रेसहोल्ड के साथ करते हैं, और समतुल्य क्षेत्र प्राथमिक समापन बिंदु से संबंधित है। कई भविष्यवाणियाँ इस अपेक्षा को बताती हैं कि इन नमूना आकारों पर कोई कौशल मापा नहीं जा सकता है। तालिका D1 बिना कौशल के अपेक्षित मूल्य उनके बगल में देती है, और वहाँ एक सफलता यह नहीं दिखाती है कि कौशल अनुपस्थित है। प्रत्येक भविष्यवाणी इस बारे में है कि लीग क्या माप करेगी, न कि यह कि बाजार किस दिशा में चलेगा।

8.2 भविष्यवाणियाँ

तालिका 10 दस मुख्य भविष्यवाणियाँ देती है और तालिका D1 (परिशिष्ट D) सभी तीस। F1 से F3, F5 से F7 और F9 पूछते हैं कि परिषद की तस्वीरें और त्रुटियाँ कितनी समान हैं और किस क्षितिज पर आवाजें अलग होती हैं। F4 मॉडल की तीक्ष्णता को भीड़ की तुलना में रखता है, और F8 (संचालनात्मक) पूछता है कि क्या तालिका समय पर भरती है। F10 से F15 सर्वसम्मति की तुलना एक पूर्व नेता, एक सरल नियम और भीड़ से करते हैं। दो भविष्यवाणियाँ, F16, F17, पूछती हैं कि कोई भी संकेत क्षितिज के बीच कहाँ बैठता है। F18 और F19 अमेरिकी और चीनी पक्षों से संबंधित हैं, F20 और F21 Closed Book से संबंधित हैं, F22 से F24 चर्चा और दोहराव से संबंधित हैं। F25 से F27 पूछते हैं कि क्या नेता स्थिर रहते हैं और अच्छे पूर्वानुमानकर्ता अच्छा व्यापार करते हैं, F28 और F29 मॉडल तक पहुँच पाठकों को क्या करती है, और F30 क्या शैली एक मॉडल को नामों को छिपाने के बाद दूर देती है।

तालिका 10। दस मुख्य भविष्यवाणियाँ, सीमाएँ, जाँच तिथियाँ और संभावनाएँ (सभी तीस तालिका D1 में)।

नोट: p पंजीकृत संभावना है कि भविष्यवाणी सच आएगी, यह देखते हुए कि इसे हल किया गया है: तीन परिवारों के मॉडलों से तीन अंधे मतों की माध्यिका, कथन, माप, तिथि और सीमा अकेले से दिए गए। छह मान (F5, F7, F20, F21, F23, F25) 20 अक्टूबर 2026 के मत हैं। अन्य चौबीस और प्राथमिक समापन बिंदु को 21 अक्टूबर 2026 को तीन बाद के दौर में मतदान किया गया था, प्रत्येक भविष्यवाणियों के उस दौर में फिर से लिखे गए पाठ पर, और प्रत्येक मान उस दौर के मतों की माध्यिका है (सभी दौर अभिलेखागार में हैं)। 0.15 से अधिक फैले मत अभिलेखागार में चिह्नित हैं। Brier स्कोर एक-दिन हैं जब तक अन्यथा नहीं कहा गया है; अंतराल सत्रों द्वारा 95% हैं। अनुभाग 8.4 अनसुलझी भविष्यवाणियों के लिए नियम देता है।

8.3 संभावनाएँ

मैंने तीन परिवारों से तीन मॉडलों से पूछा, Claude Opus 5.5 (Anthropic), GPT-6.1 (OpenAI) और Grok (xAI; संस्करण मतों के साथ दाखिल है), स्वच्छ सूची (कथन, माप, जाँच तिथि और सीमा, मेरे किसी अनुमान के बिना) में मूल्य देने के लिए, प्रत्येक दूसरों की संख्या देखे बिना, और प्रत्येक पंजीकृत संभावना तीनों की माध्यिका है। तीन परिवार लीग सीटें भी रखते हैं, और F18, F19 और F30 उन सीटों से संबंधित हैं। प्रत्येक मतदाता ने किसी भी रिकॉर्ड के अस्तित्व से पहले कथनों में मूल्य दिया। मॉडल सत्यापकों के पैनल मापने योग्य तरीकों से विफल होते हैं जब उनके सदस्य एक दूसरे को देखते हैं (Chernets, 2026b), इसलिए प्रत्येक मतदाता सूची में अकेले मूल्य दिया। सभी संभावनाएँ संकल्प पर सशर्त हैं; आयोजित का अनुपात स्कोर के बगल में रिपोर्ट किया जाता है।

8.4 जमना और स्कोरिंग

मैं भविष्यवाणियों और प्राथमिक समापन बिंदु को पोस्ट करने से पहले OSF (10.17605/OSF.IO/9Q86N) पर पंजीकृत करता हूँ, एक खुला-अंत पंजीकरण के रूप में, तुरंत सार्वजनिक, स्वच्छ सूची, सभी मत, सेट B स्क्रिप्ट और प्रत्येक पंक्ति के समाधान के साथ, प्राथमिक समापन बिंदु की स्क्रिप्ट, सील किए गए जलवायु विज्ञान की सामग्री SHA-256 और प्रत्येक दाखिल फ़ाइल के साथ एक प्रकट और इसकी SHA-256। हर जाँच तिथि और हर विंडो पंजीकरण टाइमस्टैम्प के बाद आती है। एक OSF पंजीकरण को संपादित नहीं किया जा सकता है, और एक वापसी अपना कारण के साथ एक सार्वजनिक रिकॉर्ड छोड़ता है, इसलिए भविष्यवाणियाँ वहाँ रहती हैं। SSRN संशोधन पर प्रीप्रिंट को प्रतिस्थापित करता है।

कुछ भी नहीं हटाया जाता है। हर भविष्यवाणी हर स्कोरकार्ड पर दिखाई देती है जैसा कि सच आया, नहीं, अभी तक due नहीं है, या अनसुलझा। एक भविष्यवाणी जिसकी अपनी तिथि तक गणना नहीं की जा सकी थी, अनसुलझी रहती है और कभी सफलता के रूप में नहीं गिनी जाती है। प्रत्येक स्कोरकार्ड अनसुलझी भविष्यवाणियों पर Brier स्कोर रिपोर्ट करता है, आयोजित का अनुपात, एक सबसे बुरी सीमा जिसमें उसकी तिथि के बाद हर अनसुलझी भविष्यवाणी max[p², (1 − p)²] जोड़ता है हर भविष्यवाणी के साथ हर तिथि के बाद हर भविष्यवाणी जोड़ता है, और समतल 0.5 के विरुद्ध Brier कौशल स्कोर। स्कोरकार्ड जाँच तिथियों का पालन करते हैं (30 नवंबर 2026, 31 दिसंबर 2026, 30 अप्रैल 2027), प्रत्येक SSRN और Zenodo पर इस पत्र के एक दिनांकित संशोधन के रूप में प्रकाशित और OSF पर पंजीकृत, और प्रत्येक निर्णय उस क्षेत्र या स्क्रिप्ट को उद्धृत करता है जिस पर यह निर्भर करता है।

9. आपत्तियाँ और प्रत्येक का उत्तर देने वाला नियम

चार आपत्तियाँ डिज़ाइन पर सबसे अधिक दबाव डालती हैं। प्रत्येक को नीचे खंड 3 के किसी नियम या खंड 8 के किसी पंजीकृत परीक्षण द्वारा उत्तर दिया गया है।

पूर्व-खुलेपन की जानकारी पूर्वानुमान का नेतृत्व करती है। संदर्भ मूल्य सील के बाद का पहला मूल्य है, इसलिए गिनती वाला उत्तर 09:30 प्रिंट का उपयोग नहीं कर सकता, और एक देरी वाला उत्तर अपना स्वयं का बाद का संदर्भ प्राप्त करता है। संदर्भ से पहले उपलब्ध जानकारी, जैसे प्रश्न में उद्धृत पूर्व-खुलेपन की वायदा, की अनुमति है और यह पूर्वानुमान का हिस्सा है; एक पूर्वानुमानकार जो वायदा पढ़ता है वह अपने स्वयं के किसी निर्णय के बिना सही दिशा की ओर झुक सकता है। कौशल को जलवायु विज्ञान संबंधी आधार दर और भीड़ के विरुद्ध मापा जाता है, जिनकी कीमतें समान पूर्व-खुलेपन की जानकारी रखती हैं, साथ ही सिक्के के विरुद्ध भी। स्मृति में रखा हुआ इतिहास एक मॉडल को एक ऐसी बंदी का पूर्वानुमान लगाने में मदद नहीं दे सकता जो अभी तक नहीं हुई है (Lopez-Lira et al., 2025; Paleka et al., 2026)।

ड्रॉ और पूछा गया घटना। प्रश्न एक कठोर वृद्धि की संभावना के लिए पूछता है और ड्रॉ बैंड को नहीं बताता है। 21 अक्टूबर 2026 से प्राथमिक स्कोर सभी पंक्तियों को गिनता है, पूछे गए घटना का स्कोर (खंड 3.5)। विकास सत्र प्रकाशित के रूप में खड़े हैं, ड्रॉ के बिना, और प्रत्येक पंजीकृत तुलना एक पद्धति खंड के भीतर एक घटना का उपयोग करती है (खंड 8.1)।

रजिस्टर को कौन रखता है। मैं लीग का संचालन करता हूँ और पूर्वानुमान लिखे हैं (घोषणाएँ)। एक रन प्रति सत्र की गणना करता है, और अन्य रन not_counted के रूप में प्रकाशित होते हैं। 21 अक्टूबर 2026 से गिनती के रिकॉर्ड में सील और संदर्भ मूल्य का क्रम कम से कम दो स्वतंत्र अधिकारियों के RFC 3161 टोकन पर निर्भर करता है (स्तर 2+), और 19 और 20 अक्टूबर के विकास सत्रों के लिए श्रृंखलित रिकॉर्ड पर (स्तर 1, तालिका 12)। मानक नियंत्रण भेजने के समय प्रत्येक आउटगोइंग प्रश्न के एक हैश के साथ रन के बीच चयन करता है, एक गिनती किया गया रन पहले घोषित किया गया (21 अक्टूबर 2026 से प्रश्नों की श्रृंखला में सील किया गया), और प्रत्येक मुहर वाली सूची स्टैम्पिंग में दर्ज की गई एक सार्वजनिक पारदर्शिता लॉग में जो ऑपरेटर नियंत्रित नहीं करता (Sigstore Rekor, 22 अक्टूबर 2026 से; खंड 3.13)। पूर्वानुमान एक नामित क्षेत्र द्वारा सार्वजनिक फाइलों से या इसके डेटा के अस्तित्व से पहले दाखिल किया गया स्क्रिप्ट द्वारा हल करते हैं, पंजीकरण संपादित नहीं किया जा सकता, और संभावनाएँ अंधे रूप से निर्धारित की गई थीं।

संपीड़ित संभावनाएँ। मॉडल की संभावनाएँ 50% के करीब रहती हैं। 20 अक्टूबर को अलग से निकाली गई आठ सीटों की संभावनाएँ जो आठ बाजारों पर सूचीबद्ध अनुबंधों के लिए संदर्भ से पहले सील की गई थीं (crowd_up) औसतन 50% से 5.9 अंक दूर थीं, और एक ही अनुबंधों पर भीड़ की कीमतें 20.7 अंक दूर थीं (जहाँ दोनों स्थानों पर एक बाजार सूचीबद्ध था, Polymarket अनुबंध, जो वह है जिसका मॉडल ने उत्तर दिया)। भीड़ की दूरी का एक हिस्सा एक करीब-से-करीब अनुबंध में पहले से बाजार-पूर्व चाल है, इसलिए मैं प्रत्येक अनुबंध जो हल करता है उस घटना पर अनुबंध-दर-अनुबंध तुलना करता हूँ। कम से कम $1,000 की सील की गई मात्रा वाले पाँच अनुबंधों पर (तालिका 11) सीटें हर बार भीड़ की कीमत के समान तरीके से झुकती हैं, और सीटें औसतन 50% से 7.5 अंक दूर थीं भीड़ के 28.1 के विरुद्ध। भीड़ स्वयं सावधान है: 188,509 हल किए गए Polymarket बाजारों पर, कीमतें आधे के बहुत करीब बैठीं, 1.112 की लॉजिस्टिक पुनः अंशांकन ढलान के साथ (Walker, 2026)। सीटें आधे के पास अभी भी करीब खड़ी थीं। लीग के अपने एक-दिवसीय प्रश्न पर समान आठ सीटें औसतन 50% से 4.6 अंक दूर थीं (K = 9.2, खंड 4.4)। लीग संपीड़न की दो पढ़ाई को अलग बता सकती है। Murphy विघटन द्वारा Brier स्कोर विश्वसनीयता माइनस संकल्प प्लस अनिश्चितता है (खंड 4.4)। एक सावधान पूर्वानुमानकार अंशांकित है और संकल्प को त्याग देता है, इसलिए यह जलवायु विज्ञान के पास स्कोर करता है और एक तीव्र भीड़ के लिए बहुत कम खोता है, जबकि एक पूर्वानुमानकार जो एक गुणात्मक दृश्य को संभावना में रूपांतरित करता है वह भी गलत-अंशांकित है, एक अंशांकन ढलान के साथ एक से दूर (Cox, 1958), और भीड़ के लिए अपनी तीक्ष्णता से अधिक खोता है। F4 तीक्ष्णता अंतर को बताता है, F12 और F13 भीड़ के साथ तुलना को, और F14 अंशांकन को, प्रत्येक पंजीकरण के बाद एक सीज़न पर।

तालिका 11। भीड़ की कीमत और एक ही अनुबंध पर सीटों की अलग से निकाली गई संभावना, 20 अक्टूबर 2026 (आठ सीटें संदर्भ से पहले सील की गई; कम से कम $1,000 की सील की गई मात्रा वाले अनुबंध)।

नोट: भीड़ की कीमतें और मात्राएँ 12:30:06Z पर दर्ज की गई और council-book.jsonl की रन लाइन 151 में सील की गई (crowd.odds, crowd.kalshi); उत्तर लाइनें 152 से 159 से crowd_up। Kalshi कीमतें "पिछली बंदी से ऊपर" के लिए अंतरित की गई हैं (खंड 4.9)। अनुबंध बंद के करीब हल करते हैं, इसलिए भीड़ की कीमत पहले से ही बाजार-पूर्व चाल रखती है। Bitcoin, Dow और डॉलर सूचकांक ने मात्रा थ्रेसहोल्ड के नीचे कारोबार किया। कोई परिणाम नहीं दिखाया गया है।

चित्र 13 में मैं तालिका 11 को सीट दर सीट खींचता हूँ। भीड़ के अनुबंध के लिए प्रत्येक सीट की संभावना के बगल में यह एक ही सीट की संभावना को लीग के अपने एक-दिवसीय घटना के लिए चिह्नित करता है, जो एक अलग घटना है (तालिका 1)। मुझे पता चलता है कि दोनों अलग हो सकते हैं। Claude ने प्रतिफल के अनुबंध को 20 और लीग के प्रतिफल प्रश्न को 47 दिया, और WTI को 74 के विरुद्ध 52 दिया, और Gemini ने WTI को 76 के विरुद्ध 58 दिया। भीड़ के अनुबंध का शुरुआत पिछली बंदी से होती है और लीग के प्रश्न की शुरुआत 09:30 संदर्भ से होती है, इसलिए एक मॉडल एक ही सुबह में दोनों के लिए अलग तरीके से उत्तर दे सकता है।

चित्र 13। सीटों की अलग से निकाली गई संभावनाएँ और एक ही पाँच अनुबंधों पर भीड़ की कीमत, 20 अक्टूबर 2026 (आठ सीटें संदर्भ से पहले सील की गई; कम से कम $1,000 की सील की गई मात्रा वाले अनुबंध)।

नोट: भीड़ के मूल्य और मात्रा 12:30:06Z पर रिकॉर्ड की गई और council-book.jsonl की रन लाइन 151 में सील की गई (crowd.odds, crowd.kalshi); crowd_up और prob_up उत्तर लाइनों 152 से 159 से। Kalshi मूल्यों को "पिछले बंद से ऊपर" में प्रक्षेपित किया गया है (अनुभाग 4.9)। ग्रे क्रॉस लीग के अपने एक-दिवसीय इवेंट पर समान सीटों की वृद्धि की संभावना को चिह्नित करते हैं, एक अलग इवेंट (तालिका 1)। साधन और श्रेणियां तालिका 11 में जैसे हैं, और पाँच अनुबंधों पर सीटें औसतन 50 से 7.5 अंक दूर खड़ी थीं और भीड़ 28.1 थी।

10. दायरा और सीमा शर्तें

तालिका 12 में मैं बताता हूँ कि प्रत्येक दावा किस पर आधारित है और कितनी दूर तक पहुँचता है, और नीचे के पैराग्राफ विवरण देते हैं।

तालिका 12। प्रत्येक दावे की पहुँच।

समय। सील की गई रन 16 अक्टूबर 2026 को शुरू हुई और स्कोरिंग 19 अक्टूबर 2026 को। यहाँ लीग संख्याएँ 21 अक्टूबर 2026 को खुली फाइलों से पढ़ी गईं, 21 अक्टूबर की सुबह की रीडिंग 22 अक्टूबर 2026 को 01:32 UTC पर सहेजी गई प्रतियों से, और छह सील की गई रन को कवर करती हैं: तीन परीक्षण रन, दो विकास सत्र और गिनी गई रिकॉर्ड की पहली रन। अनुभाग 8 की प्रत्येक स्कोरकार्ड उस बाज़ार पथ का नाम देती है जिसे उसने स्कोर किया।

समय का साक्ष्य। विकास सत्रों के लिए इस संस्करण को स्कोर करता है, 19 और 20 अक्टूबर, ऑपरेटर का रिकॉर्ड (booked_at और prev/link श्रृंखला) दिखाता है कि एक उत्तर संदर्भ मूल्य से पहले सील किया गया था (स्तर 1)। Bitcoin एंकर एंकर किए गए उपसर्ग के अस्तित्व को ब्लॉक के हेडर समय के कुछ घंटों के भीतर सीमित करता है (स्तर 2, अनुभाग 3.11)। एक पुनः लेखन किसी भी व्यक्ति द्वारा पहचाना जा सकता है जिसके पास एक पहली प्रमाण है, और, Sigstore Rekor लॉग में हर टाइम किए गए सूची के लिए (22 अक्टूबर 2026 को टाइमिंग से, 21 अक्टूबर 2026, 23:47 UTC से पहली सूचियाँ), किसी के द्वारा। गिनी गई रिकॉर्ड में, 21 अक्टूबर 2026 से, कम से कम दो स्वतंत्र RFC 3161 प्राधिकारी प्रत्येक टाइम की गई सूची पर हस्ताक्षर करते हैं (स्तर 2+)। उस दिन गिनी गई उत्तरों का बैच संदर्भ मूल्य से 29 मिनट 41 सेकंड पहले हस्ताक्षरित था, और एक उत्तर जो बाद में आया था वह सील किया गया और तीन प्राधिकारियों द्वारा इसके आगमन के 14 सेकंड बाद हस्ताक्षरित किया गया, फिर भी संदर्भ मूल्य से पहले।

मॉडल। ग्यारह पूर्वानुमान सीटें, जिनमें से उन सीटें जिनके उत्तर संदर्भ मूल्य से पहले सील किए गए थे (19 अक्टूबर को सात, 20 अक्टूबर को आठ) इस संस्करण की रीडिंग में प्रवेश करती हैं; सभी चौदह सीटें व्यापार करती हैं (तालिका 8)। निष्कर्ष इन मॉडलों को उन मोड में वर्णित करता है जो उनकी उत्तर पंक्तियों पर सील किए गए थे।

बाज़ार। बारह संकेतक US इक्विटी, सेमीकंडक्टर, दरें, डॉलर, अस्थिरता, धातु, तेल और Bitcoin को span करते हैं, दिन 09:30 से 16:00 ET तक, 10-वर्षीय उपज 15:00 ET तक और Bitcoin सील मिनट से। एकल स्टॉक, अलग S&P 100 ट्रैक के बाहर, और इंट्राडे ट्रेडिंग दायरे से बाहर हैं। जलवायु विज्ञान संदर्भ दैनिक इतिहास पर अनुमानित है और लाइव घटना का अनुमान लगाता है जहाँ कोई मेल खाने वाली विंडो नहीं है: सोने के लिए अनुबंध की दैनिक बार, WTI, Brent, तांबा और डॉलर सूचकांक, 10-वर्षीय उपज के लिए दैनिक बंद, Bitcoin के लिए UTC दिन, और, एक सप्ताह और उससे अधिक पर, खुले से चाल जहाँ लाइव अनुबंध अपने बैंड को बंद से बंद तक मापता है; अनुमान फील्ड में कहे गए हैं और bias $q_e$, पूर्वानुमान नहीं। खाते प्रत्येक बाज़ार को arena-protocol.json में नाम दिए गए साधन के माध्यम से रखते हैं; तेल, धातु और तांबे के लिए वह साधन एक कोष है जो वायदा रखता है और उन्हें रोल करता है, इसलिए एक खाता उस संकेतक से अलग हो सकता है जिस पर वह व्यापार करता है, जो एक कारण है कि F27 पूर्वानुमान और रिटर्न की रैंकिंग की तुलना करता है न कि उनके स्तरों की। एक भीड़ की पंक्ति कम से कम $1,000 की सील की गई मात्रा से स्वीकार की जाती है; आवश्यकता 17 प्रत्येक भीड़ पंक्ति में बोली, पूछ और अंतिम व्यापार का समय जोड़ता है, ताजगी और spread नियमों के साथ जो वे विंडो को शासित करते हैं उसके पहले स्थिर हैं, और एक pooled स्थान केवल जहाँ अनुबंध एक ही विधेय पर निर्भर करते हैं।

स्वतंत्रता, देश, पाठक, पोर्टफोलियो। N_eff सारांश देता है कि संभावना चित्र एक सामान्य सहसंबंध के तहत कितने समान हैं, रन दर रन और क्षितिज दर क्षितिज, और यह मॉडलों को रैंक नहीं करता है। पाठक प्रयोग स्वयं-चयनित आगंतुकों के यादृच्छिकृत समूहों की तुलना करता है। खाते अनुकरण किए जाते हैं, $100,000 प्रत्येक, 0.1% की लागत के साथ और सील के बाद पहले खुले पर निष्पादन; वे बाज़ार प्रभाव और कर को बाहर करते हैं। ट्रेडिंग कम प्रदर्शन का एक क्लासिक चैनल है (Barber & Odean, 2000), इसलिए आवश्यकता 17 प्रत्येक खाते के turnover (traded value over mean equity) और उसके द्वारा दी गई लागतों को एक सील की गई no-trade छाया के बगल में रिपोर्ट करता है जो प्रत्येक पुनः संतुलन से पहले होल्डिंग को रखता है; turnover और return के बीच एक संघ वर्णनात्मक है।

दावों की स्थिति। प्रोटोकॉल और इसके उपाय प्रस्तावित हैं, और AI Council · Markets संदर्भ कार्यान्वयन है, जिसकी स्थिति प्रत्येक आवश्यकता के विरुद्ध अनुभाग 3.13 में प्रकाशित है। एक पुष्टिकरण परीक्षा प्राथमिक समापन बिंदु है, और अनुभाग 8 के तीस कथन पंजीकृत माध्यमिक भविष्यवाणियाँ हैं।

यह कागज़ एक माप प्रोटोकॉल का वर्णन करता है और निवेश सलाह नहीं है।

11. निष्कर्ष

मैंने यह मानक इसलिए लिखा ताकि एक पाठक, न कि ऑपरेटर, यह जांच सके कि वित्तीय बाजार का पूर्वानुमान कब निर्धारित किया गया था, वह किस घटना पर स्कोर किया गया था और कौन सा रन गिना गया। AI Council · Markets, PolyHelper द्वारा संचालित, बारह संकेतकों पर चार क्षितिज पर इसका संदर्भ कार्यान्वयन है, जिसकी स्थिति प्रत्येक आवश्यकता के विरुद्ध प्रकाशित और दिनांकित है (अनुभाग 3.13)। 21 अक्टूबर 2026 से जो रन गिना जाता है वह पहले से घोषित और सीलबंद किया जाता है, और स्वतंत्र समय-मुहर प्राधिकरण 09:30 ET खुले से पहले गिने गए उत्तरों के रिकॉर्ड पर हस्ताक्षर करते हैं। पूर्वानुमान और संदर्भ का क्रम तब ऑपरेटर के बाहर की घड़ियों पर निर्भर करता है। यह वह टुकड़ा है जिसे मैं अन्य लीगों को सबसे पहले अपनाने की सलाह देता हूँ: एक तीसरे पक्ष की टाइमस्टैम्प एक ऑपरेटर के आश्वासन को एक ऐसे रिकॉर्ड में बदल देती है जिसे एक पाठक जांच सकता है। अनुभाग 7.4 में मानचित्रित क्षेत्रों में से लीग वित्तीय संकेतकों के एक निश्चित पैनल पर इन तत्वों को संयोजित करने वाली पहली है, और पहली AI बाजार प्रतिष्ठा है जिसने सात US और सात चीनी मॉडलों को एक ही प्रश्न, स्नैपशॉट, समय सीमा और नियमों के साथ सेट किया है पाठकों के साथ जो उन्हें देखने से पहले या बाद में पूर्वानुमान लगाने के लिए यादृच्छिक किए गए हैं। इसके सर्वसम्मति के अलावा लीग इसके पीछे स्वतंत्र आवाजों की संख्या की रिपोर्ट करता है, क्योंकि सहमत मॉडलों का एक हिस्सा उस संख्या के बिना बहुत कम मायने रखता है। पहली दो सुबहें, संदर्भ से पहले सीलबंद सीटों की संभावना चित्र एक दिन के दो से कम स्वतंत्र पूर्वानुमानकर्ताओं की तरह समान थे, और गिने गए रिकॉर्ड का पहला रन 2.23 दिया। एक प्राथमिक परीक्षण और तीस माध्यमिक भविष्यवाणियाँ पोस्टिंग से पहले OSF पर पंजीकृत हैं। दिनांकित संशोधन उन्हें स्कोर करेंगे, और प्रत्येक भविष्यवाणी के साथ दाखिल किया गया resolver किसी भी पाठक को https://trends.polyhelper.ai/api/v1/ पर CC BY 4.0 के तहत खुले डेटा से पहले स्कोर करने देता है।

घोषणाएँ

फंडिंग। इस कार्य को किसी बाहरी फंडिंग ने समर्थित नहीं किया।

प्रतिस्पर्धी हित (हित का टकराव)। मैंने PolyHelper की स्थापना की और संचालित करता हूँ, जो AI Council · Markets लीग को चलाता है जिसका यहाँ वर्णन किया गया है, और बहु-मॉडल आर्केस्ट्रेशन विधियों को विकसित करता है, जिसमें संबंधित पेटेंट आवेदन लंबित हैं (कोई पेटेंट प्रदान नहीं किया गया है)।

उपकरण और सत्यापन। मैंने अपने निर्देशन के तहत साधन के रूप में AI सहायकों का उपयोग किया। विचार, अनुसंधान और निष्कर्ष मेरे हैं। मैंने 20 अक्टूबर 2026 को प्राथमिक स्रोतों या संग्रहीत प्रतियों के विरुद्ध मात्रात्मक दावों और उद्धरणों की जाँच की, और 21 अक्टूबर 2026 को खंड 7 और परिशिष्ट E के पूर्व कार्य की जाँच की। मैंने 21 अक्टूबर 2026 को लीग की खुली फाइलों से संख्याएँ पढ़ीं (council-stats.json 03:47 और 05:33 UTC पर उत्पन्न, दूसरा n_eff.counted और power_brier ब्लॉक ले जाता है, और 22:16 UTC पर उत्पन्न फाइल से 21 अक्टूबर 2026 का प्रति-चलन मान), और मैंने पंजीकरण के साथ दाखिल एक स्क्रिप्ट के साथ एक ही दिन के council-forecasts.csv और council-book.jsonl से खंड 5.2 के प्रति-चलन और प्रति-क्षितिज स्वतंत्रता मूल्यों की पुनर्गणना की। मैंने 21 अक्टूबर 2026 को लाइव फाइलों और प्रूफ पृष्ठ से 15:05 UTC पर तालिका 5 की अनुरूपता स्थिति और 21 अक्टूबर 2026 की मुहरें पढ़ीं, और OpenSSL के साथ RFC 3161 टोकन को प्राधिकारियों के प्रमाणपत्रों के विरुद्ध जाँचा। तीन परिवारों के तीन मॉडलों ने पंजीकृत भविष्यवाणियों की संभावनाओं को निर्धारित किया, प्रत्येक मेरे अनुमानों और एक दूसरे से अंधा (खंड 8.3)।

डेटा और कोड उपलब्धता। दाखिल की गई स्क्रिप्ट, इवेंट-कॉन्ट्रैक्ट चेकर और दोनों पुनर्गणना स्क्रिप्ट Python 3.9 या बाद में कोई पैकेज इसकी मानक पुस्तकालय के परे नहीं है और python3 -I के तहत चलते हैं; मैंने उन्हें macOS पर Python 3.15.0 के साथ चलाया। परिशिष्ट B की जाँच को shasum, चरण 6 के लिए OpenTimestamps क्लाइंट और चरण 9 के लिए OpenSSL 3 या बाद में की आवश्यकता है। कुछ भी प्रशिक्षित नहीं है, इसलिए कोई परिणाम हार्डवेयर पर निर्भर नहीं करता; मॉडल अपने प्रदाताओं पर चलते हैं, और प्रत्येक संस्करण और मोड जो लौटाए गए हैं उसके उत्तर पंक्ति पर सील लगी है (तालिका 8)। लीग का डेटा https://trends.polyhelper.ai/api/v1/ पर CC BY 4.0 के तहत खुला है, जिसमें सीलबंद पुस्तक (council-book.jsonl), पूर्वानुमान (council-forecasts.csv), उनके हैश के तहत प्रश्न ग्रंथ (asks/<sha256>.md), आँकड़े (council-stats.json), प्रोटोकॉल और इसके संस्करण (arena-protocol.json), पोर्टफोलियो इंजन की कोड SHA-256 हैश के साथ (arena-code.json), प्रत्येक पूर्वानुमान स्कोर की पुनर्गणना (tools/replay_brier.py) और एक पुनर्गणना स्क्रिप्ट जो प्रकाशित व्यापार और कीमतों से निर्दिष्ट प्रकाशन राउंडिंग सहनशीलता के भीतर प्रत्येक प्रकाशित लीग खाता की पुनर्गणना करती है (python3 replay.py https://trends.polyhelper.ai/api/v1/, परिशिष्ट B) शामिल हैं। लाइव एंडपॉइंट प्रत्येक सत्र में परिवर्तित होते हैं, इसलिए विश्लेषण उन पर निर्भर नहीं करता: पत्र के प्रत्येक संस्करण की तारीख के अनुसार खुली फाइलों की एक अपरिवर्तनीय रिलीज, उनके SHA-256 हैश की एक सूची के साथ, Zenodo (10.5281/zenodo.23552700) पर संग्रहीत है, और कागज में हर संख्या उस रिलीज से गणना की जाती है; दाखिल की गई स्क्रिप्ट इसे ऑफलाइन चलाती हैं (--data)। एक पाठक जो बाद में लाइव फाइलें डाउनलोड करता है वह सीलबंद पुस्तक के संग्रहीत उपसर्ग को उनके विरुद्ध जाँच सकता है (परिशिष्ट B)। प्राथमिक एंडपॉइंट इसकी स्क्रिप्ट के साथ, प्रत्येक के लिए एक रिज़ॉल्वर के साथ पंजीकृत भविष्यवाणियाँ (resolve.py), तीन वोटों के साथ अंधे पूर्वानुमानकर्ताओं द्वारा मूल्य निर्धारित स्वच्छ सूची, सेट B स्क्रिप्ट, सीलबंद जलवायु विज्ञान की सामग्री SHA-256 और दाखिल की गई फाइलों की एक सूची उनके SHA-256 के साथ, एक README के साथ जो आवश्यकताओं और प्रत्येक स्क्रिप्ट के कमांड को सूचीबद्ध करता है, OSF (10.17605/OSF.IO/9Q86N) पर पंजीकृत है। कागज Zenodo (10.5281/zenodo.23552697) पर संग्रहीत है और इसका पसंदीदा उद्धरण SSRN प्रिप्रिंट है (https://ssrn.com/abstract=7653679)।

नैतिकता। खंड 6 का पाठक प्रयोग एक सार्वजनिक पृष्ठ के आगंतुकों से बताई गई आत्मविश्वास के साथ गुमनाम ऊपर या नीचे पूर्वानुमान एकत्र करता है। पाठकों को एक गुमनाम यादृच्छिक पहचानकर्ता द्वारा एक समूह को सौंपा गया है। प्रयोग कोई नाम, खाते या संपर्क विवरण एकत्र नहीं करता। लीग पाठक के IP पते को संग्रहीत या लॉग नहीं करता। दिन के साथ इसका एक लवणीय हैश केवल प्रति पते वोटों को कैप करने के लिए रखा गया है, और कोई व्यक्तिगत डेटा प्रकाशित या विश्लेषण में उपयोग नहीं किए जाते हैं। परिणामों को कुल गणना के रूप में रिपोर्ट किया जाता है, और पहली पूर्वानुमान जो F29 पढ़ता है वह अकेले गुमनाम पहचानकर्ता के तहत प्रकाशित किए जाते हैं। मैंने एक संस्थागत नैतिकता समिति के बिना एक स्वतंत्र शोधकर्ता के रूप में कार्य किया। लीग में पूर्वानुमानकर्ता सॉफ़्टवेयर मॉडल हैं।

लेखक योगदान। एकमात्र लेखक।

पत्राचार। [email protected] · ORCID: 0009-0007-4845-3163

References

Abeliuk, A., Benjamin, D. M., Morstatter, F., & Galstyan, A. (2020). Quantifying machine influence over human forecasters. Scientific Reports, 10, 15940. https://doi.org/10.1038/s41598-020-72690-4

Adams, C., Cain, P., Pinkas, D., & Zuccherato, R. (2001). Internet X.509 public key infrastructure time-stamp protocol (TSP) (RFC 3161). Internet Engineering Task Force. https://doi.org/10.17487/RFC3161

AI Council · Markets. (2026). Open data of the AI Council · Markets league: sealed book, forecasts, statistics, protocol, event-contract schema and league accounts [Data set]. CC BY 4.0. Data as of 20 October 2026 (generated 21 October 2026, 02:42 UTC); conformance status read 21 October 2026, 15:05 UTC. Retrieved 20-21 October 2026, from https://trends.polyhelper.ai/api/v1/

Aitchison, M., Jeen, S., Shevlane, T., & Day, B. (2026). Diversity is the strength of the AI crowd (arXiv:2606.29661). arXiv. https://arxiv.org/abs/2606.29661

Alur, R., Stadie, B. C., Kang, D., Chen, R., McManus, M., Rickert, M., Lee, T., Federici, M., Zhu, R., Fogerty, D., Williamson, H., Lozinski, N., Linsky, A., & Sekhon, J. S. (2025). AIA Forecaster: Technical report (arXiv:2511.07678). arXiv. https://arxiv.org/abs/2511.07678

Arora, A., & Malpani, R. (2026). PredictionMarketBench: A SWE-bench-style framework for backtesting trading agents on prediction markets (arXiv:2602.00133). arXiv. https://arxiv.org/abs/2602.00133

Bali, T. G., Kelly, B. T., Mörke, M., & Rahman, J. (2023). Machine forecast disagreement (NBER Working Paper No. 31583). National Bureau of Economic Research. https://doi.org/10.3386/w31583

Barber, B. M., & Odean, T. (2000). Trading is hazardous to your wealth: The common stock investment performance of individual investors. The Journal of Finance, 55(2), 773-806. https://doi.org/10.1111/0022-1082.00226

Barot, R. M., & Borkhatariya, A. S. (2026). PolySwarm: A multi-agent large language model framework for prediction market trading and latency arbitrage (arXiv:2604.03888). arXiv. https://arxiv.org/abs/2604.03888

Berg, J., Nelson, F., & Rietz, T. (2008). Prediction market accuracy in the long run. International Journal of Forecasting, 24(2), 285-300. https://doi.org/10.1016/j.ijforecast.2008.03.007

Bitcoin Developer Documentation. (n.d.). Block chain: Block headers. Retrieved 20 October 2026, from https://developer.bitcoin.org/reference/block_chain.html

Brier, G. W. (1950). Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1-3. https://doi.org/10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2

Cao, S., Wang, C. C. Y., & Yi, X. (2025). When LLMs go abroad: Foreign bias in AI financial predictions (Harvard Business School Working Paper No. 26-013). Harvard Business School.

Chambers, C. D. (2013). Registered Reports: A new publishing initiative at Cortex. Cortex, 49(3), 609-610. https://doi.org/10.1016/j.cortex.2012.12.016

Chen, Y., Yao, Z., Liu, Y., Xin, A., Ye, J., Yu, J., Hou, L., & Li, J. (2025). StockBench: Can LLM agents trade stocks profitably in real-world markets? (arXiv:2510.02209). arXiv. https://arxiv.org/abs/2510.02209

Cheng, P., Liu, J., & Long, Y. (2026). PolyBench: Benchmarking LLM forecasting and trading capabilities on live prediction market data (arXiv:2604.14199). arXiv. https://arxiv.org/abs/2604.14199

Chernets, V. (2026a). Agreement is not independent evidence: Auditable multi-model synthesis without an API. Zenodo. https://doi.org/10.5281/zenodo.22683716 (also SSRN Working Paper No. 7390698, https://ssrn.com/abstract=7390698)

Chernets, V. (2026b). Verification theater: Measured failure modes of AI verifier panels. Zenodo. https://doi.org/10.5281/zenodo.23197641

Chernets, V. (2026c). After the programmer divide: One measure for people who build through AI agents (SSRN Working Paper No. 7589918). SSRN. https://ssrn.com/abstract=7589918

Choi, H. K., Zhu, X., & Li, S. (2025). Debate or vote: Which yields better decisions in multi-agent large language models? (arXiv:2508.17536). Advances in Neural Information Processing Systems 38 (NeurIPS 2025). https://arxiv.org/abs/2508.17536

Chu, G., Shen, D., & Zhu, Z. (2025). Machine forecast disagreement in the cryptocurrency market (SSRN Working Paper No. 5230677). SSRN. https://doi.org/10.2139/ssrn.5230677

Clemen, R. T., & Winkler, R. L. (1985). Limits for the precision and value of information from dependent sources. Operations Research, 33(2), 427-442. https://doi.org/10.1287/opre.33.2.427

Cox, D. R. (1958). Two further applications of a model for binary regression. Biometrika, 45(3-4), 562-565. https://doi.org/10.1093/biomet/45.3-4.562

Diebold, F. X., & Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253-263. https://doi.org/10.1080/07350015.1995.10524599

Diercks, A. M., Katz, J. D., & Wright, J. H. (2026). Kalshi and the rise of macro markets (Finance and Economics Discussion Series 2026-010). Board of Governors of the Federal Reserve System. https://doi.org/10.17016/FEDS.2026.010

Diether, K. B., Malloy, C. J., & Scherbina, A. (2002). Differences of opinion and the cross section of stock returns. The Journal of Finance, 57(5), 2113-2141. https://doi.org/10.1111/0022-1082.00490

Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114-126. https://doi.org/10.1037/xge0000033

Dubach, P. D. (2026). The anatomy of a decentralized prediction market: Microstructure evidence from the Polymarket order book (arXiv:2604.24366). arXiv. https://arxiv.org/abs/2604.24366

Fan, T., Yang, Y., Jiang, Y., Zhang, Y., Chen, Y., & Huang, C. (2025). AI-Trader: Benchmarking autonomous agents in real-time financial markets (arXiv:2512.10971). arXiv. https://arxiv.org/abs/2512.10971

Fassbender, J. (2026). Bitcoin-anchored temporal proof for transparency services (Internet-Draft draft-fassbender-scitt-time-anchor-07). Internet Engineering Task Force. https://datatracker.ietf.org/doc/html/draft-fassbender-scitt-time-anchor-07

Forklog. (2025a). Four out of six AI models suffer losses in trading tournament. https://forklog.com/en/four-out-of-six-ai-models-suffer-losses-in-trading-tournament/

Forklog. (2025b). AI model Grok 4.2 triumphs in trading tournament. https://forklog.com/en/ai-model-grok-4-2-triumphs-in-trading-tournament/

Gao, Z., Jiang, W., & Yan, Y. (2025). Detecting lookahead bias in LLM forecasts (arXiv:2512.23847). arXiv. https://arxiv.org/abs/2512.23847

Glasserman, P., & Lin, C. (2023). Assessing look-ahead bias in stock return predictions generated by GPT sentiment analysis (arXiv:2309.17322). arXiv. https://arxiv.org/abs/2309.17322

Gneiting, T., Balabdaoui, F., & Raftery, A. E. (2007). Probabilistic forecasts, calibration and sharpness. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 69(2), 243-268. https://doi.org/10.1111/j.1467-9868.2007.00587.x

Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359-378. https://doi.org/10.1198/016214506000001437

Guan, M., & Chen, Q. (2026). Leakage-aware benchmarking of LLM forecasting: Real-time nowcasts as the decision-time input for macro factor ranking (arXiv:2606.22719). arXiv. https://arxiv.org/abs/2606.22719

Haber, S., & Stornetta, W. S. (1991). How to time-stamp a digital document. Journal of Cryptology, 3(2), 99-111. https://doi.org/10.1007/BF00196791

Halawi, D., Zhang, F., Chen, Y.-H., & Steinhardt, J. (2024). Approaching human-level forecasting with language models. In Advances in Neural Information Processing Systems 37 (NeurIPS 2024). https://arxiv.org/abs/2402.18563

He, S., Lv, L., Manela, A., & Wu, J. (2025). Chronologically consistent large language models (arXiv:2502.21206). arXiv. https://arxiv.org/abs/2502.21206

Jyotish, V. (2026). Sealed before the event: A publicly verifiable, Bitcoin-anchored forecast record of 92 graded outcomes [Version 1; awaiting peer review]. F1000Research, 15, Article 1322. https://doi.org/10.12688/f1000research.186752.1

Karger, E., Bastani, H., Chen, Y.-H., Jacobs, Z., Halawi, D., Zhang, F., & Tetlock, P. E. (2025). ForecastBench: A dynamic benchmark of AI forecasting capabilities. In International Conference on Learning Representations (ICLR 2025). https://arxiv.org/abs/2409.19839

Karkar, C., & Chopra, P. (2025). Future is unevenly distributed: Forecasting ability of LLMs depends on what we're asking (arXiv:2511.18394). arXiv. https://arxiv.org/abs/2511.18394

Kim, E. M., Garg, A., Peng, K., & Garg, N. (2025). Correlated errors in large language models. In Proceedings of the 42nd International Conference on Machine Learning (PMLR 267, pp. 30038-30066). https://proceedings.mlr.press/v267/kim25e.html

Kim, S., Kwon, J., Kim, Y., Kagan, N., Khatchadourian, R., Ahn, W., Lopez-Lira, A., Lee, J., Hwang, Y., Levy, O., Lee, Y., & Choi, C. (2026). Forecasting future language: Context design for mention markets (arXiv:2602.21229). arXiv. https://arxiv.org/abs/2602.21229

Kish, L. (1965). Survey sampling. Wiley.

Kleinberg, J., & Raghavan, M. (2021). Algorithmic monoculture and social welfare. Proceedings of the National Academy of Sciences, 118(22), e2018340118. https://doi.org/10.1073/pnas.2018340118

Krogh, A., & Vedelsby, J. (1995). Neural network ensembles, cross validation, and active learning. In Advances in Neural Information Processing Systems 7 (NIPS 1994). https://papers.nips.cc/paper_files/paper/1994/hash/b8c37e33defde51cf91e1e03e51657da-Abstract.html

Künsch, H. R. (1989). The jackknife and the bootstrap for general stationary observations. The Annals of Statistics, 17(3), 1217-1241. https://doi.org/10.1214/aos/1176347265

Li, H., Cao, Y., Yu, Y., Javaji, S. R., Deng, Z., He, Y., Jiang, Y., Zhu, Z., Subbalakshmi, K. P., Huang, J., Qian, L., Peng, X., Suchow, J. W., & Xie, Q. (2025). INVESTORBENCH: A benchmark for financial decision-making tasks with LLM-based agent. In Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 2509-2525). https://aclanthology.org/2025.acl-long.126/

Li, W. W., Kim, H., Cucuringu, M., & Ma, T. (2025). Can LLM-based financial investing strategies outperform the market in long run? [FINSABER] (arXiv:2505.07078). arXiv. https://arxiv.org/abs/2505.07078

Li, X., Yao, X., Qi, G., Zhu, F., Koa, K. J. L., Ng, X. Y., Liu, Z., Ni, X., Liu, C., Yang, Y., Zhang, Y., Wang, W., Feng, F., Wang, C., Luan, H., Xing, X., Xu, X., Chua, T.-S., & Huang, K.-W. (2026). FinDeepForecast: A live multi-agent system for benchmarking deep research agents in financial forecasting (arXiv:2601.05039). arXiv. https://arxiv.org/abs/2601.05039

Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, 151, 90-103. https://doi.org/10.1016/j.obhdp.2018.12.005

Lopez-Lira, A., & Tang, Y. (2023). Can ChatGPT forecast stock price movements? Return predictability and large language models (SSRN Working Paper No. 4412788). https://doi.org/10.2139/ssrn.4412788

Lopez-Lira, A., Tang, Y., & Zhu, M. (2025). The memorization problem: Can we trust LLMs' economic forecasts? (arXiv:2504.14765). arXiv. https://arxiv.org/abs/2504.14765

louidev. (2026). GlassBallAI: A dataset of LLM market predictions (made with Google Gemini models) (Version 1.2) [Data set, CC BY-NC 4.0]. Hugging Face. Retrieved 21 October 2026, from https://huggingface.co/datasets/louidev/glassballai

MarketMania. (2026). Live LLM crypto forecasting benchmark and Benchmark methodology [Web pages]. Retrieved 21 October 2026, from https://marketmania.ai/llm-financial-market-benchmark and https://marketmania.ai/benchmarks/methodology

MaxWellApexLab. (2026). llm-trading-arena: LLM Trading Arena [Computer software and live ledger, MIT licence]. GitHub. Retrieved 21 October 2026, from https://github.com/MaxWellApexLab/llm-trading-arena

Meng, S., & Chen, X. (2026). AI-driven alpha decay: Algorithmic homogenization, reflexive signal erosion, and the paradox of intelligent markets (arXiv:2605.23905). arXiv. https://arxiv.org/abs/2605.23905

Metaculus. (2025a). Q1 AI benchmarking results: Human pros crush bots. Effective Altruism Forum. https://forum.effectivealtruism.org/posts/mwcWxwdsEMexm98GF/q1-ai-benchmarking-results-human-pros-crush-bots

Metaculus. (2025b). Q2 AI benchmark results: Pros maintain clear lead. LessWrong. https://www.lesswrong.com/posts/Surnjh8A4WjgtQTkZ/q2-ai-benchmark-results-pros-maintain-clear-lead

Miller, E. M. (1977). Risk, uncertainty, and divergence of opinion. The Journal of Finance, 32(4), 1151-1168. https://doi.org/10.1111/j.1540-6261.1977.tb03317.x

Murphy, A. H. (1973). A new vector partition of the probability score. Journal of Applied Meteorology, 12(4), 595-600. https://doi.org/10.1175/1520-0450(1973)012<0595:ANVPOT>2.0.CO;2

Nakamoto, S. (2008). Bitcoin: A peer-to-peer electronic cash system. https://bitcoin.org/bitcoin.pdf

National Institute of Standards and Technology. (2015). Secure hash standard (SHS) (FIPS PUB 180-4). https://doi.org/10.6028/NIST.FIPS.180-4

Nechepurenko, M., & Shuvalov, P. (2026a). Foresight Arena: An on-chain benchmark for evaluating AI forecasting agents (arXiv:2605.00420v2). arXiv. https://arxiv.org/abs/2605.00420

Nechepurenko, M., & Shuvalov, P. (2026b). Coordination as an architectural layer for LLM-based multi-agent systems (arXiv:2605.03310). arXiv. https://arxiv.org/abs/2605.03310

Nel, L. (2025). Do large language models know what they don't know? KalshiBench: A new benchmark for evaluating epistemic calibration via prediction markets (arXiv:2512.16030). arXiv. https://arxiv.org/abs/2512.16030

NeuPortal. (2026). NeuPortal: AI forecasts vs prediction markets (Bitcoin-timestamped) (Version 1) [Data set; Zenodo record by A. Bilous]. Zenodo. https://doi.org/10.5281/zenodo.21294229 . Proofs: https://github.com/neuportalai-ui/experiment-proofs

Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703-708. https://doi.org/10.2307/1913610

Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600-2606. https://doi.org/10.1073/pnas.1708274114

Numerai. (n.d.). Meta Model Contribution (MMC) [Technical documentation]. Numerai Docs. Retrieved 21 October 2026, from https://docs.numer.ai/numerai-tournament/scoring/meta-model-contribution-mmc

Rockflow. (n.d.). RockAlpha: AI stock. Retrieved 21 October 2026, from https://rockalpha.rockflow.ai/ai-stock

Ørpheus AI. (n.d.). Zeus: Environmental forecasting subnet [Source code and README]. GitHub. Retrieved 21 October 2026, from https://github.com/Orpheus-AI/Zeus/blob/main/README.md

Paleka, D., Goel, S., Geiping, J., & Tramèr, F. (2026). Pitfalls in evaluating language model forecasters. In International Conference on Learning Representations (ICLR 2026). https://arxiv.org/abs/2506.00723

Prophet Arena. (2026). Verify a forecast, Verify (documentation) and How scoring works [Web pages]. Retrieved 20-21 October 2026, from https://www.prophetarena.co/verify , https://www.prophetarena.co/docs/verify and https://www.prophetarena.co/research/how-scoring-works

Qian, L., Peng, X., Wang, Y., Zhang, V. J., He, H., Smith, H., Han, Y., He, Y., Li, H., Cao, Y., Yu, Y., Lopez-Lira, A., Lu, P., Nie, J.-Y., Xiong, G., Huang, J., & Ananiadou, S. (2025). When agents trade: Live multi-market trading benchmark for LLM agents (arXiv:2510.11695). arXiv. https://arxiv.org/abs/2510.11695

Rallies.ai. (2025-2026). AI Arena [Website feature]. Retrieved 21 October 2026, from https://rallies.ai/

Schoenegger, P., Park, P. S., Karger, E., Trott, S., & Tetlock, P. E. (2025). AI-augmented predictions: LLM assistants improve human forecasting accuracy. ACM Transactions on Interactive Intelligent Systems, 15(1). https://doi.org/10.1145/3707649

Schoenegger, P., Tuminauskaite, I., Park, P. S., Bastos, R. V. S., & Tetlock, P. E. (2024). Wisdom of the silicon crowd: LLM ensemble prediction capabilities rival human crowd accuracy. Science Advances, 10(45), Article eadp1528. https://doi.org/10.1126/sciadv.adp1528

Sharpe, W. F. (1994). The Sharpe ratio. The Journal of Portfolio Management, 21(1), 49-58. https://doi.org/10.3905/jpm.1994.409501

Sornette, D., Woodard, R., Fedorovsky, M., Reimann, S., Woodard, H., & Zhou, W.-X. (2010). The financial bubble experiment: Advanced diagnostics and forecasts of bubble terminations, volume II, master document (arXiv:1005.5675). arXiv. https://arxiv.org/abs/1005.5675

Sortino, F. A., & Price, L. N. (1994). Performance measurement in a downside risk framework. The Journal of Investing, 3(3), 59-64. https://doi.org/10.3905/joi.3.3.59

Spiro, T. (2026). The oracle's fingerprint: Correlated AI forecasting errors and the limits of bias transmission (arXiv:2605.00844). arXiv. https://arxiv.org/abs/2605.00844

Todd, P. (2016, September 15). OpenTimestamps: Scalable, trust-minimized, distributed timestamping with Bitcoin. https://petertodd.org/2016/opentimestamps-announcement

TradeRank. (2026). TradeRank.ai: Live AI trading leaderboard [Website and open JSON data set]. Retrieved 21 October 2026, from https://traderank.ai/

Walker, A. (2026). The price is (almost) right: A calibration analysis of Polymarket pricing data [Senior thesis, Princeton University]. Princeton University Senior Theses. https://theses-dissertations.princeton.edu/handle/88435/dsp01mw22v8973

White, H. (2000). A reality check for data snooping. Econometrica, 68(5), 1097-1126. https://doi.org/10.1111/1468-0262.00152

Wolfers, J., & Zitzewitz, E. (2004). Prediction markets. Journal of Economic Perspectives, 18(2), 107-126. https://doi.org/10.1257/0895330041371321

Yahoo Finance. (2025). Elon Musk's Grok 4.20 beats OpenAI, Google models in live stock trading contest. https://finance.yahoo.com/news/elon-musks-grok-4-20-123855766.html

Yang, Q., Mahns, S., Li, S., Gu, A., Wu, J., & Xu, H. (2025). LLM-as-a-prophet: Understanding predictive intelligence with Prophet Arena. In International Conference on Learning Representations (ICLR 2026). https://arxiv.org/abs/2510.17638

Yu, H., Li, F., & You, J. (2025). LiveTradeBench: Seeking real-world alpha with large language models (arXiv:2511.03628). arXiv. https://arxiv.org/abs/2511.03628

Zeng, Z., Liu, J., Chen, S., He, T., Liao, Y., Tian, Y., Wang, J., Wang, Z., Yang, Y., Yin, L., Yin, M., Zhu, Z., Cai, T., Chen, Z., Chen, J., Du, Y., Gao, X., Guo, J., Hu, L., . . . Huang, W. (2025). FutureX: An advanced live benchmark for LLM agents in future prediction. In International Conference on Learning Representations (ICLR 2026). https://arxiv.org/abs/2508.11987

Zhang, J., Liu, G., Johansson, O., Yitayew, H., Ohly, K., & Li, G. (2026). Prediction Arena: Benchmarking AI models on real-world prediction markets (arXiv:2604.07355). arXiv. https://arxiv.org/abs/2604.07355

Zhang, O., & Zhang, Z. (2026). A review of large language models for stock price forecasting from a hedge-fund perspective (arXiv:2605.05211). arXiv. https://arxiv.org/abs/2605.05211

Zhao, X., Zhang, R., Ye, L., Cao, R., Xie, P., & Chava, S. (2026). Can LLMs take the pulse of the economy? A real-time evaluation of LLM nowcasts on macroeconomic indicators (arXiv:2608.30110). arXiv. https://arxiv.org/abs/2608.30110

परिशिष्ट A. प्रोटोकॉल फील्ड

विशिष्टीकरण फाइल ही है: लीग के लिए arena-protocol.json (तालिका A1) और प्रत्येक रन लाइन में सीलबंद methodology फील्ड पूर्वानुमान स्कोर के लिए (तालिका A2)। दोनों संस्करणीकृत हैं। प्रत्येक परिवर्तन दिनांकित है और प्रत्येक सील में लागू संस्करण होता है, इसलिए एक परिवर्तन इससे पहले सीलबंद किसी भी चीज़ तक नहीं पहुंचता है (आवश्यकता 15)। नीची दी गई तालिकाएं 20 अक्टूबर 2026 तक स्कोर को हल करने के लिए आवश्यक कुंजियों को सूचीबद्ध करती हैं।

तालिका A1। arena-protocol.json की कुंजियां जो खाते को हल करने के लिए आवश्यक हैं (संस्करण arena-3, 20 अक्टूबर 2026)।

छाया ट्रैक (f12, closed_book, repeats, sp100, council_talk, modalities, roles) एक ही फाइल में अपने स्वयं के नियम संस्करण ले जाते हैं और पूर्वानुमान स्कोर में प्रवेश नहीं करते हैं।

तालिका A2। प्रत्येक रन लाइन में सीलबंद स्कोरिंग पद्धति के फील्ड (methodology, संस्करण 2)।

परिशिष्ट B. एक सील को स्वयं सत्यापित करें

चरण केवल सार्वजनिक फाइलों और मानक उपकरणों का उपयोग करते हैं। मैंने 20 अक्टूबर 2026 की शाम (ET) को चरण 1 से 8 चलाए और 21 अक्टूबर को चरण 9 चलाया, और दिखाए गए आउटपुट वे हैं जो मैंने प्राप्त किए। चरण 1 से 8 का उदाहरण 20 अक्टूबर 2026 को 13:00:25Z पर की गई मुहर है, उस दिन की चार में से एक (अनुभाग 3.1)। चरण 1 से 8 स्तर 1 (श्रृंखला) और स्तर 2 (एंकर) की जांच करते हैं। चरण 9 स्तर 2+, 21 अक्टूबर 2026 की मुहराबंदी की गई सूची पर RFC 3161 टोकन की जांच करता है। 19 और 20 अक्टूबर 2026 के सत्र विकास सत्र हैं, और गिनती किया गया रिकॉर्ड 21 अक्टूबर 2026 से शुरू होता है।

चरण 1. पुस्तक और मुहर को डाउनलोड करें।

curl -sO https://trends.polyhelper.ai/api/v1/council-book.jsonl
curl -sO https://trends.polyhelper.ai/markets/proof/2026-10-20/130025Z.txt
curl -sO https://trends.polyhelper.ai/markets/proof/2026-10-20/130025Z.txt.ots

प्रमाण पृष्ठ https://trends.polyhelper.ai/markets/proof/2026-10-20/ दिन के प्रत्येक स्टैम्प और रन की प्रत्येक पुस्तक पंक्ति को इसकी मुहर और लिंक के साथ सूचीबद्ध करता है।

चरण 2. स्टैम्प की गई सूची को पढ़ें। cat 130025Z.txt अन्य पुस्तकों के साथ, इस पुस्तक की पंक्ति दिखाता है:

daily/council/book.jsonl: 159 lines, sha256 59673b9e21ac6d358e7dc3b811dc3d78f5286390094f7133e3704f57cac1a7d9, last link 378273fd057fcbf364746b032f67f42cd811d281da80f39ff0792c4047175b2c

चरण 3. जांचें कि आज की पुस्तक मुहर लगी उपसर्ग से शुरू होती है।

head -n 159 council-book.jsonl | shasum -a 256
# 59673b9e21ac6d358e7dc3b811dc3d78f5286390094f7133e3704f57cac1a7d9  -
sed -n 159p council-book.jsonl | python3 -c "import json,sys; print(json.load(sys.stdin)['link'])"
# 378273fd057fcbf364746b032f67f42cd811d281da80f39ff0792c4047175b2c

दोनों मान स्टाम्प किए गए सूची से मेल खाते हैं, इसलिए पहली 159 पंक्तियां बिल्कुल वही पंक्तियां हैं जिन्हें यह प्रतिबद्ध करता है। पंक्ति 151 2026-10-20-am की रन पंक्ति है और पंक्तियां 152 से 159 इसकी उत्तर पंक्तियां हैं। 150012Z.txt, 153605Z.txt और 165254Z.txt के साथ समान जांच 165, 167 और 173 पंक्तियों को कवर करती है।

प्रत्येक स्टाम्प किए गए सूची में मुद्रित एक नियम बाइट्स को ठीक करता है। फ़ाइल को संग्रहीत के रूप में लिया जाता है (UTF-8, कोई बाइट-ऑर्डर मार्क नहीं, कुछ भी पुनः-एन्कोड या सामान्यीकृत नहीं) और प्रत्येक पंक्ति LF के साथ समाप्त होती है। N पंक्तियों का हैश पंक्तियों 1 से N को कवर करता है, प्रत्येक अपने LF के साथ, और एक अंतिम पंक्ति जिसमें LF नहीं है अभी तक गिना नहीं गया है। एक दर्पण जो पंक्ति समाप्ति को फिर से लिखता है जांच विफल करता है।

चरण 4. प्रत्येक सील और लिंक की पुनः गणना करें।

import json, hashlib
H = lambda o: hashlib.sha256(json.dumps(o, sort_keys=True, ensure_ascii=False).encode()).hexdigest()
lines = [json.loads(l) for l in open("council-book.jsonl", encoding="utf-8")]
prev = ""
for i, x in enumerate(lines, 1):
    assert x["n"] == i and x["prev"] == prev
    assert x["seal"] == H({k: v for k, v in x.items() if k not in ("seal", "link", "prev", "n")})
    assert x["link"] == H({k: v for k, v in x.items() if k != "link"})
    prev = x["link"]
print("chain ok:", len(lines), "lines")

20 अक्टूबर की फाइल पर यह chain ok: 211 lines प्रिंट किया गया।

चरण 5. प्रश्न की जांच करें कि क्या चलाया गया उत्तर दिया गया।

curl -s https://trends.polyhelper.ai/api/v1/asks/77d3c627c7c69d2f6e740ccd89113872b1ac08053554a4651bc2d3064b4e6f07.md | shasum -a 256
# 77d3c627c7c69d2f6e740ccd89113872b1ac08053554a4651bc2d3064b4e6f07  -

चरण 6. Bitcoin एंकर की पुष्टि करें। OpenTimestamps क्लाइंट को इंस्टॉल करें (pip install opentimestamps-client)। स्थानीय Bitcoin नोड के साथ, ots verify 130025Z.txt.ots हैश करता है 130025Z.txt, प्रमाण का पालन करता है और इसे ब्लॉक हेडर के विरुद्ध जांचता है। नोड के बिना, ots info 130025Z.txt.ots फ़ाइल हैश प्रिंट करता है (5c7d3a357f3cd8b9c27aa4c5d1e9e4750d522bd90b58ffe5193fc61356079d0f, shasum -a 256 130025Z.txt के बराबर), प्रमाण के संचालन और इसकी गवाही, BitcoinBlockHeaderAttestation(972334)। फ़ाइल हैश पर संचालन लागू करने से 74072ae1fdee72c9a3f749462490b46f896e0fab58f7d101dc1a403d967e5c30 मिलता है, ब्लॉक 972,334 का Merkle रूट जैसा कि कोई भी ब्लॉक एक्सप्लोरर दिखाता है (हेडर समय 2026-10-20 13:55:20Z; पिछले 11 ब्लॉक का माध्यिका समय 12:45:12Z)। दोनों फ़ाइलें https://opentimestamps.org पर भी ड्रॉप की जा सकती हैं। एक प्रमाण जो केवल एक pending कैलेंडर गवाही दिखाता है, ots upgrade के साथ पूर्ण किया जाता है। एक pending गवाही कोई समय नहीं रखती जिसकी पाठक पुष्टि कर सकें।

चरण 7. लीग को फिर से गिनें।

curl -s https://trends.polyhelper.ai/api/v1/arena-code-tools-replay.py.txt -o replay.py
python3 replay.py https://trends.polyhelper.ai/api/v1/

20 अक्टूबर 2026 को फाइलों पर स्क्रिप्ट ने मुद्रित किया (अंश):

replay: 253 published rows, 145 accounts, 2 sessions (2026-10-19 .. 2026-10-20), 1006 trades, rules arena-3
exact to the cent (|d| <= 0.01): 204; within the rounding of the published trades: 49; DIFFERENT: 0; not recounted (other price sets): 0
result: the published scores are reproduced

चरण 8. इंजन के कोड की जाँच करें। arena-code.json प्रत्येक कोड फ़ाइल को उसके SHA-256 के साथ सूचीबद्ध करता है; प्रत्येक फ़ाइल arena-code-<file>.txt के रूप में प्रकाशित की जाती है:

curl -s https://trends.polyhelper.ai/api/v1/arena-code-council_arena.py.txt | shasum -a 256
# 9ff5575c2b5c7736fba06bec1b63a608f5f290aacdee6df6b24a51381f22686c  -

जो council_arena.py के लिए प्रविष्टि से मेल खाता है।

चरण 9. 21 अक्टूबर 2026 के हस्ताक्षरित समय को सत्यापित करें (स्तर 2+)। 21 अक्टूबर 2026, 09:10 ET पर चलाएँ, OpenSSL 3 के साथ (दोनों जाँचें OpenSSL 3.6 और 4.0 के साथ पास होती हैं)। FreeTSA प्रमाणपत्र tsa/ के अंतर्गत कॉपी किए गए हैं और सेवा द्वारा प्रकाशित हैं (https://freetsa.org/files/); DigiCert की श्रृंखला सिस्टम ट्रस्ट स्टोर में है।

P=https://trends.polyhelper.ai/markets/proof/2026-10-21
for f in 130019Z.txt 130019Z.txt.freetsa.tsr 130019Z.txt.digicert.tsr tsa/freetsa-cacert.pem tsa/freetsa-tsa.crt; do curl -sO $P/$f; done
curl -sO https://trends.polyhelper.ai/api/v1/council-book.jsonl
shasum -a 256 130019Z.txt
# 986bd13907397901ceed70131a70c3674eba05dfdcb9ededbc7cbc0e57bd3714  130019Z.txt
openssl ts -verify -data 130019Z.txt -in 130019Z.txt.freetsa.tsr -CAfile freetsa-cacert.pem -untrusted freetsa-tsa.crt
# Verification: OK   (after a warning that freetsa-tsa.crt is not a CA certificate, which is expected)
openssl ts -verify -data 130019Z.txt -in 130019Z.txt.digicert.tsr -CAfile /etc/ssl/cert.pem
# Verification: OK
openssl ts -reply -in 130019Z.txt.digicert.tsr -text | grep "Time stamp"
# Time stamp: Oct 21 13:00:19 2026 GMT   (the same for the FreeTSA token)
head -n 222 council-book.jsonl | shasum -a 256
# a9359a7741ef5f7aad7436e022a60813e2fc2f9ce76e130abe21dc820e59bd8c  -

यह सूची इस हैश के साथ 222 लाइनें बताती है। लाइनें 214 से 222 तक 2026-10-21-am की रन लाइन और उत्तर हैं जो पहली बैच में बुक किए गए हैं, और दोनों प्राधिकार उन्हें 13:00:19 UTC पर रखते हैं, जो 13:30:00 UTC पर संदर्भ से 29 मिनट 41 सेकंड पहले है। 130035Z.txt के टोकन, जो asks.jsonl को कवर करते हैं, 13:00:36 UTC देते हैं। 132337Z.txt पर समान चरण 224 लाइनों को कवर करते हैं। लाइन 224, एक उत्तर जो 13:23:23 UTC पर आया, 14 सेकंड बाद बुक किया गया था, और तीन प्राधिकार (FreeTSA, DigiCert और Sectigo) ने इसे 13:23:37 UTC पर हस्ताक्षरित किया, संदर्भ से पहले। asks.jsonl की पहली लाइन घोषणा करती है कि कौन सी रन 21 अक्टूबर 2026 से गिनती करती है। इसे 04:16:39 UTC पर सील किया गया था, रन का प्रश्न भेजे जाने से पहले, और इसका टेक्स्ट हैश प्रूफ पेज पर मुद्रित है।

चरण क्या स्थापित करते हैं। चरण 3 और 4 स्टैम्प तक की हर लाइन के लिए P2 देते हैं। चरण 6 स्टैम्प किए गए उपसर्ग को ब्लॉक 972,334 के हेडर समय के कुछ घंटों बाद नहीं रखता है, और यह व्यावहारिक सीमा, खंड 3.11 में सहमति नियमों द्वारा सिद्ध स्थिरांक के स्थान पर सेट की गई है, इसके बाद हर परिणाम के लिए P1a देती है, किसी के विरुद्ध जो यह प्रूफ या इसकी स्वतंत्र प्रति रखता है।

ब्लॉक 09:30 ET के बाद गिरा। 20 अक्टूबर के लिए सील और संदर्भ मूल्य का क्रम (P1b) इसलिए किताब में लाइन के सील समय से स्तर 1 पर पढ़ा जाता है, max(at, booked_at), सत्र के 09:30 ET के विरुद्ध, और council-forecasts.csv का sealed_at कॉलम उत्तर समय देता है। मैंने उन सील समयों पर गिनी-रन नियम लागू करके P3 की जांच की। विकास सत्रों के लिए P3 ऑपरेटर के रिकॉर्ड पर निर्भर करता है कि हर रन प्रकाशित और लेबल की गई है। गिनी हुई रिकॉर्ड में गिनी हुई रन निर्धारित सुबह की रन है, जो पहले से घोषित है और रन से पहले प्रश्नों की श्रृंखला में सील की गई है (चरण 9), इसलिए पाठक एक घोषणा के विरुद्ध P3 की जांच करते हैं जो उत्तरों से पहले मौजूद थी। चरण 9 21 अक्टूबर के सत्र के लिए स्तर 2+ पर P1b देता है, किसी के विरुद्ध जो हस्ताक्षरकर्ता प्राधिकार और इसके प्रमाणपत्र में से कोई एक स्वीकार करता है। अंधे मौसम में समान चरण उन लाइनों पर चलते हैं जो मॉडल को नमकीन प्रतिबद्धता के रूप में सील करती हैं (आवश्यकता 1), और पहचान की जांच तब की जाती है जब मौसम के बाद नमक प्रकाशित होते हैं।

तालिका B1। दावों की सीढ़ी: जांच का प्रत्येक स्तर क्या समर्थन करता है, और यह क्या खुला छोड़ता है।

नोट: लंगर रिकॉर्ड को प्रमाणित करता है। प्रदाता (TLSNotary) के साथ TLS सत्र का एक प्रमाण सीढ़ी को इस दावे तक बढ़ा सकता है कि नाम का अंतिम बिंदु सील किए गए उत्तर को लौटाया, और प्रोटोकॉल में इसके लिए उत्तर लाइन के एक फ़ील्ड के रूप में जगह है। कौशल खंड 8 की पंजीकृत तुलनाओं द्वारा तय किया जाता है।

चरण 10. एक स्वतंत्र लॉग में स्टैम्प की जांच करें। प्रत्येक स्टैम्प की गई सूची Sigstore Rekor पारदर्शिता लॉग में भी दर्ज की जाती है, जिसे ऑपरेटर नहीं चलाता है; प्रविष्टि सूची का SHA-256 रखती है।

shasum -a 256 130025Z.txt
# 5c7d3a357f3cd8b9c27aa4c5d1e9e4750d522bd90b58ffe5193fc61356079d0f  130025Z.txt
curl -s "https://rekor.sigstore.dev/api/v1/log/entries?logIndex=3368351276"
# the base64 body holds spec.data.hash.value, the same SHA-256; integratedTime 1792626303 is 21 October 2026, 23:45:03 UTC

20 अक्तूबर 2026 की सूची को 21 अक्तूबर 2026 को लॉग इंडेक्स 3,368,351,276 पर दर्ज किया गया था। 22 अक्तूबर 2026 से प्रत्येक सूची को स्टैम्पिंग पर दर्ज किया जाता है, और पहली, इंडेक्स 3,368,763,032, को 00:00:16 UTC पर एकीकृत किया गया था, इसके स्टैम्प के पाँच सेकंड बाद।

परिशिष्ट C. डेटा शब्दकोश

सभी फ़ाइलें https://trends.polyhelper.ai/api/v1/ के अंतर्गत हैं, CC BY 4.0 के तहत प्रकाशित हैं जिसमें "AI Council · Markets, trends.polyhelper.ai/markets/" के रूप में आरोपण दिया गया है। उस पते का सूचकांक पृष्ठ प्रत्येक फ़ाइल को सूचीबद्ध करता है और यह कितनी बार बदलता है, और arena-dataset.json प्रत्येक फ़ाइल के स्तंभों का वर्णन करता है; तालिका C1 उन फ़ाइलों को सूचीबद्ध करता है जिन्हें पूर्वानुमान पढ़ते हैं, जिसमें स्तंभ के नाम 21 अक्टूबर 2026 को 08:16 UTC पर पढ़े गए हैं। एक पाठक-AI जो बड़ी फ़ाइलें नहीं खोल सकता है, markets-digest.json (30 KB से कम) या council-forecasts-index.json में प्रति-रन स्लाइस से शुरू होता है।

तालिका C1। मुख्य फ़ाइलें।

council-forecasts.csv (मॉडल, रन, बाजार और क्षितिज प्रति एक पंक्ति): run_id; session; seat; model, mode; line (सीलिंग लाइन की स्थिति n); sealed_at (UTC); status (counted, not_counted, counted_50, no_answer, refused_shape); asset, horizon; action, action_word; prob_up (0-100); exp_pct; target, invalidation; ref, close, actual_pct; draw; source_domains, source_urls; why_missing; run_role (session_run या earlier_run); seat_versions_in_run; line_kind (issue, उत्तर लाइन में सीलबंद सेल, या correction, बाद की सुधार लाइन द्वारा जोड़ा गया सेल); reference_at (वह समय जिससे पंक्ति का संदर्भ नियम कीमत लेता है; Bitcoin के लिए सील सेकंड, कीमत उस पर या उसके बाद शुरू होने वाली पहली एक-मिनट की पट्टी का बंद होना); same_event (गलत जब पंक्ति को अपने संदर्भ से स्कोर किया जाता है); cell_status (elicited, explicit_50 या invalid); attempt; event_id, event_reference_at, event_end_at (घटना अनुबंध, अनुभाग 3.13); methodology_version। sealed_at उत्तर का समय है, उत्तर लाइन का at; जिस समय लाइन को पुस्तक में सीलबंद किया गया था वह उस लाइन के at, booked_at) का अधिकतम है (20 अक्टूबर को, 12:31Z से 12:42Z तक उत्तर, 13:00:25Z पर सील), जो council-stats.json (time_basis: book_sealed_at) और दायर की गई स्क्रिप्ट का समय आधार है। Bitcoin के लिए, reference_at पंक्ति की स्वयं की लाइन का सील सेकंड है (21 अक्टूबर के बैच के लिए 13:00:19Z, नवें उत्तर के लिए 13:23:37Z), और reference_price_at एक-मिनट की पट्टी की शुरुआत है जिसका बंद संदर्भ है (13:01:00Z और 13:24:00Z)। cell_status explicit_50 वाली एक सेल 50 की बताई गई संभावना है; counted_50, no_answer, refused_shape और खाली prob_up नहीं बताई गई हैं और बताई गई संभावनाओं का कोई Brier स्कोर और कोई सर्वसम्मति नहीं दर्ज करते हैं। भीड़ के प्रश्न के लिए मॉडल का उत्तर, crowd_up, इस फ़ाइल में नहीं है; यह पुस्तक की उत्तर लाइनों में है।

पुस्तक लाइनें। प्रत्येक लाइन में n, at, kind, prev, seal और link होते हैं। जिन प्रकारों में पूर्वानुमान होते हैं वे हैं run (जो run_id, ask_sha256, snapshot_sha256, roster, methodology और crowd जोड़ता है, जिसमें crowd.at, crowd.odds के अंतर्गत Polymarket अनुबंध और crowd.kalshi के अंतर्गत Kalshi अनुबंध होते हैं, प्रत्येक के साथ इसका p_up और vol), answer (seat, model, mode, items, years जोड़ता है, और बाद के चलन में own_sha256, ask_sha256, booked_at; भीड़ के प्रश्न के लिए मॉडल की संभावना items.<asset>.1d.crowd_up है), score और score_h (दिन और क्षितिज के परिणाम, late_ref, noise और of के साथ), crowd (प्रत्येक अनुबंध को हल करता है: Polymarket के लिए rows.<code> और Kalshi के लिए rows.<code>@kalshi, परिणाम up के साथ; 21 अक्टूबर 2026 तक केवल चलन 2026-10-19-am के लिए मौजूद), और correction (of में जिन लाइनों से संबंधित है उनके नाम देता है)। अन्य प्रकार पोर्टफोलियो लीग और छाया ट्रैक रिकॉर्ड करते हैं।

निश्चित जलवायु विज्ञान। council-calibration.json में, climatology_fixed table[*] को asset, h, p_up, p_up_ex_draw, n, n_independent, window और rule के साथ रखता है, साथ ही sha256 और sha256_ok। इसकी मुहर council-clim-window.json (डेटा पते के अंतर्गत) की सामग्री हैश है, 2810d11e907bbaa1f311d06622c929c69e60cc81e558fdb78f5baa04113cabb7, खंड 4.3 में दिए गए तरीके से गणना की गई; प्राथमिक बेंचमार्क क्षितिज 1d पर p_up पढ़ता है। यह क्षेत्र 21 अक्टूबर 2026 को 08:54 UTC पर लाइव फ़ाइल में प्रवेश किया, इसलिए 08:16 UTC पर तालिका C1 इसे सूचीबद्ध नहीं करती।

स्थिति मान और इवेंट अनुबंध। counted_50 सीट की सेवा स्कोर के लिए 50% से भरा गया एक सेल चिह्नित करता है; यह एक कथित संभावना नहीं है और सर्वसम्मति या समझौता गणना में प्रवेश नहीं करता है, जिसकी योगदानकारी संभावनाओं की संख्या of है। late_ref वाली एक लाइन एक अलग इवेंट पर एक पूर्वानुमान है (खंड 3.3); एक विश्लेषण जो सामान्य इवेंट पर मॉडल को पूल करता है, उन पंक्तियों का चयन करता है जिनका संदर्भ सत्र के सामान्य संदर्भ के बराबर हो।

विश्लेषण रिलीज़। प्रत्येक संशोधन Zenodo (10.5281/zenodo.23552700) पर जमा किए गए एक अपरिवर्तनीय रिलीज़ पर आधारित है: पुस्तक, पूर्वानुमान, आँकड़े, प्रोटोकॉल, कोड फ़ाइलें, पुनः गणना की फ़ाइलें, प्रकाशित प्रश्न और हर एक समय-मुहरित सूची जिसमें इसका .ots प्रमाण है, प्रत्येक फ़ाइल के SHA-256, आकार, पुनः प्राप्ति समय और जहाँ कहा गया हो, निर्माण समय की एक सूची के साथ। एक-एक करके पुनः प्राप्त की गई फ़ाइलें पहचानी गई संस्करणों का एक संग्रह बनाती हैं, और रिलीज़ परमाणु स्नैपशॉट है। पुस्तक केवल बढ़ती है, और रिलीज़ की पुस्तक इसलिए किसी भी बाद की डाउनलोड का एक उपसर्ग है (खंड 3.2)।

परिशिष्ट D. पंजीकृत पूर्वानुमान (पूर्ण तालिका)

तालिका D1 धारा 8 के तीस माध्यमिक पूर्वानुमानों को एक नज़र में सूचीबद्ध करती है, और तालिका D2 उनका पंजीकृत पाठ देती है। तीन परिवारों के तीन मॉडल, प्रत्येक अकेले, स्पष्ट सूची की कीमत निर्धारित करते हैं, और पंजीकृत p तीनों का माध्यिका है। वह सूची, उनके SHA-256 के साथ Set B स्क्रिप्ट और प्राथमिक अंतिम बिंदु अपनी स्क्रिप्ट के साथ OSF पंजीकरण (10.17605/OSF.IO/9Q86N) के साथ दाखिल हैं।

नियम जो हर पंक्ति पर लागू होते हैं। जब तक कोई पंक्ति किसी अन्य विंडो का नाम न दे, एक पूर्वानुमान सत्र 11 (2 नवंबर 2026) से इसकी जांच तारीख तक के सत्रों से गणना की जाती है। यह गिने हुए लाइनों (प्रति सत्र एक रन) का उपयोग करता है जिनका बुक सील समय, max(at, booked_at), सत्र के 09:30 ET संदर्भ से पहले है, और बिटकॉइन पर भी यही कट लागू होता है, जिसका संदर्भ लाइन की सील के बाद पहली एक-मिनट की बार को बंद करना है। Brier स्कोर सभी पंक्तियों के लिए एक दिन और ड्रॉ शामिल हैं। जहां एक प्रकाशित क्षेत्र पहले के सत्रों को भी कवर करता है, दाखिल स्क्रिप्ट विंडो पर क्षेत्र की परिभाषा लागू करती है।

क्षेत्र 21 अक्टूबर 2026 को दस्तावेज़ किए गए https://trends.polyhelper.ai/api/v1/ पर खुली फ़ाइलों के हैं, और एक नाम बदला हुआ क्षेत्र मैपिंग लॉग के साथ अपने प्रलेखित समकक्ष द्वारा प्रतिस्थापित किया जाता है। जहां किसी पंक्ति को कोई मान चाहिए जो कोई खुला क्षेत्र नहीं रखता है, क्षेत्र प्रकाशित किया जाना है, और OSF स्क्रिप्ट में निर्धारक पंक्ति के नियम द्वारा council-forecasts.csv और council-book.jsonl से मान की गणना करता है। "Ranked" का अर्थ है पूर्वानुमान की विंडो के भीतर लागू कम से कम 10 ट्रेडिंग दिनों पर 30 समाधान किए गए पूर्वानुमान (30/10 नियम, धारा 4.6), सिवाय F8 के, जो लीग के ध्वज को पढ़ता है। Crowd पंक्तियां बाजार-सत्र हैं जिन पर सील किए गए प्रश्न में एक दैनिक अनुबंध (धारा 4.9) सूचीबद्ध है, और अनुबंध वह है जिसके साथ मॉडल crowd_up के साथ उत्तर देते हैं, Polymarket अनुबंध जहां Polymarket बाजार सूचीबद्ध करता है और अन्यथा Kalshi अनुबंध, दोनों ही मामलों में कम से कम $1,000 (एक प्रवेश सीमा) की सील की गई मात्रा के साथ। अंतराल 95% हैं सत्र को क्लस्टर के रूप में, दाखिल स्क्रिप्ट में सीड 20261102 के साथ 10,000 रीसैंपल्स के bootstrap द्वारा।

न्यूनतम नमूना प्राप्त नहीं, एक लापता फ़ाइल या एक प्रलेखित समकक्ष के बिना कोई क्षेत्र पूर्वानुमान को अनसुलझा छोड़ देता है और एक सफलता नहीं है। कोई पूर्वानुमान नहीं हटाया गया है। p पंजीकृत संभावना है कि पूर्वानुमान सच आता है, यह देखते हुए कि यह समाधान है: तीन ब्लाइंड वोटों का माध्यिका। छह मान (F5, F7, F20, F21, F23, F25) 20 अक्टूबर 2026 के वोट हैं। अन्य चौबीस और प्राथमिक अंतिम बिंदु 21 अक्टूबर 2026 को, तीन बाद के दौरों में, प्रत्येक उस दौर में फिर से लिखे गए पूर्वानुमानों के पाठ पर वोट किए गए थे। अंतिम दौर के बाद तय किया गया शब्दांकन निर्दिष्ट करता है कि एक पंक्ति कैसे समाधान करती है और पुनः मूल्य निर्धारित नहीं किया गया था, और सभी दौर और वोट पंजीकरण के साथ दाखिल हैं।

तालिका D1। तीस पंजीकृत पूर्वानुमान एक नज़र में।

नोट: पंजीकृत पूर्वानुमान के अनुसार एक पंक्ति; प्रत्येक का पूर्ण पाठ, इसके माप, स्रोत और समाधान नियमों के साथ, तालिका D2 में है। समुच्चय A को एक या दो प्रकाशित क्षेत्रों द्वारा परिभाषित किया गया है, समुच्चय B को पंजीकरण के साथ दायर एक स्क्रिप्ट द्वारा। p पंजीकृत संभावना है कि पूर्वानुमान सच हो, यह देखते हुए कि इसका समाधान किया गया है: तीन अंधे वोटों का माध्यिका। बिना कौशल के P(true) वह संभावना है कि यदि कोई मॉडल कौशल नहीं रखता है तो पूर्वानुमान सच हो जाए, जैसा कि तालिका D2 के नोट में व्युत्पन्न किया गया है; एक खाली कक्ष का अर्थ है कि पंक्ति ऐसा कोई मान नहीं बताती है।

तालिका D2. सभी तीस पंजीकृत पूर्वानुमान पूर्ण: कथन, माप, स्रोत, समुच्चय, जांच तिथियां, नियम और संभावनाएं।

नोट: सेट A को एक या दो प्रकाशित क्षेत्रों द्वारा परिभाषित किया गया है। सेट B को पंजीकरण के साथ दायर एक स्क्रिप्ट द्वारा परिभाषित किया गया है और खुली कच्ची फ़ाइलों पर चलाया गया है, और स्क्रिप्ट ही परिभाषा है। हर पंक्ति के रिसॉल्वर को resolve.py (नियम संस्करण osf-rules-1) के रूप में दायर किया गया है, जिसमें अनुभाग 8.1 का विवरण है: F15 का गति नियम पिछले सत्र में संकेतक के लीग परिणाम की दिशा है 55% पर, सभी पंक्तियों पर। 21 अक्टूबर 2026 की फ़ाइलों पर, F21, F29 और F30 अनसुलझे पढ़ते हैं, और हर पंक्ति उस डेटा को नाम देती है जिसकी उसे आवश्यकता है। मैंने पहले सील की गई रन दृश्यमान होने के बाद F1 से F5 और F9 की सीमाएँ निर्धारित कीं, और उनकी खिड़कियाँ सत्र 11 से शुरू होती हैं।

F14, F22 और F28 कम-शक्ति वाली पंक्तियाँ हैं: F14 की मानक त्रुटि 100 पूर्वानुमानों पर लगभग 5 बिंदु है, F22 की 20 समीक्षाओं पर लगभग 11 बिंदु है और F28 की 200 प्रति समूह पर लगभग 0.02 Brier है। F15, F21 और F28 0.01 सीमा के साथ बिंदु अनुमानों की तुलना करते हैं और समतुल्यता परीक्षण नहीं हैं।

कौशल के बिना अपेक्षित: F11, दस रैंक किए गए मॉडल के लिए कम से कम लगभग 0.78, जो प्रत्येक एक तरफा 2.5% पर स्वतंत्र रूप से गलत होते हैं, यदि वे 0.25 से ऊपर स्कोर करते हैं तो अधिक, और जब उनकी त्रुटियाँ सहसंबद्ध होती हैं तो फिर से अधिक (F3)। F16, एक ही धारणा पर तीन क्षितिजों पर कम से कम लगभग 0.93। F25, ग्यारह रैंक किए गए मॉडल के लिए लगभग 0.85 और दस के लिए यादृच्छिक रैंकिंग के तहत 0.82। F10 किसी भी परिणाम के लिए खुला है: नेता को पहले की खिड़की पर चुना जाता है, और औसत केवल उन सदस्यों के माध्य पर जीत की गारंटी देता है जिन्हें यह रखता है (अनुभाग 4.5)। F8 लीग के बारे में एक परिचालन पूर्वानुमान है। कैलिब्रेशन बाल्टी आधे खुले हैं, समर्थित पक्ष पर [60,70)।

जाँच की तारीखें: 30 नवंबर 2026 (सत्र 30), 31 दिसंबर 2026 (सत्र 52), 30 अप्रैल 2027 (126-सत्र सीज़न के बाद, लगभग 20 अप्रैल 2027 के आसपास समाप्त होने की उम्मीद)। अंधा सीज़न 2 नवंबर 2026 को शुरू होता है। इसमें उत्तर लाइन मॉडल, इसके संस्करण और इसके मोड को एक नमकीन SHA-256 प्रतिबद्धता के रूप में सील करती है, H(salt || model || version || mode), इसलिए आवश्यकता 1 नाम दिखाए बिना रहती है। नमक सीज़न के बाद प्रकाशित किए जाते हैं (अनुभाग 3.13), और F30 को प्रतिबद्धताओं को खोले जाने के बाद सील की गई उत्तर पंक्तियों पर स्कोर किया जाता है। स्कोरकार्ड इस पत्र के दिनांकित संशोधनों के रूप में प्रकाशित किए जाते हैं और OSF पर पंजीकृत किए जाते हैं।

पंजीकरण के साथ घोषित माध्यमिक विश्लेषण, बिना संभावना के। (1) क्या असहमति मदद करती है: उच्चतम के विरुद्ध सीटों के प्रसार के सर्वनिम्न तृतीयांश में जलवायु विज्ञान पर आम सहमति का युग्मित लाभ, बाजार स्थिर रहता है, दोनों तरफा (अनुभाग 8)। (2) क्या सहसंबद्ध आवाज़ों को छूट देना मदद करता है: प्रकाशित आम सहमति और अनुभाग 5.3 की छाया आम सहमति के बीच युग्मित एक दिन की Brier अंतर, सत्र 11 से 126, गतिशील-ब्लॉक बूटस्ट्रैप (पाँच के ब्लॉक, 10,000 पुन: नमूने, बीज 20261102) और ±0.01 की समतुल्यता क्षेत्र; छाया भार और उन्हें गणना करने वाली स्क्रिप्ट पंजीकरण के साथ दायर की गई हैं। न तो एक F-पंक्ति है, और न ही कोई भी तीस पूर्वानुमानों के Brier स्कोर में प्रवेश करता है।

परिशिष्ट ई. पूर्व कार्य के साथ सुविधा तुलना (21 अक्टूबर 2026 तक)

तालिका E1 सबसे निकटतम प्रयासों के विरुद्ध संदर्भ कार्यान्वयन की सुविधाओं को निर्धारित करता है, जिन्हें तालिका 9 के नोट में सूचीबद्ध के रूप में पढ़ा जाता है। हाँ का अर्थ है कि संपत्ति प्रलेखित है; आंशिक रूप से, एक कमजोर या भिन्न रूप, जैसा कि कक्ष में बताया गया है; नहीं, प्रलेखित अनुपस्थिति या एक डिजाइन जो इसे बाहर करता है; ND, 21 अक्टूबर 2026 तक सार्वजनिक रूप से प्रलेखित नहीं, (तालिका 9)। लीग के लिए स्तंभ 21 अक्टूबर 2026 तक अपनी तीन स्थितियाँ उपयोग करता है: कार्यान्वित का अर्थ है खुली फ़ाइलों में दृश्यमान। निर्दिष्ट का अर्थ है मानक या खुली पद्धति में लिखा गया और उस तारीख को फ़ाइलों से अनुपस्थित। ऑपरेटर-रिकॉर्ड किए गए का अर्थ है चल रहा है, एक रिकॉर्ड के साथ कि एक तीसरा पक्ष ऑपरेटर पर निर्भर करके जांचता है। एक कक्ष एक सुविधा के दो भागों के लिए दो स्थितियाँ दे सकता है।

तालिका E1। 21 अक्टूबर 2026 तक सार्वजनिक सामग्री से सबसे निकटतम पूर्व कार्य के विरुद्ध AI Council · Markets की सुविधाएँ।

नोट: § अंक फोरसाइट अरीना और प्रेडिक्शन अरीना स्तंभों में उन कागजों के अनुभागों को संदर्भित करते हैं। पंक्तियाँ 5, 10, 13 से 15, 19 और 25 वे विशेषताएँ हैं जो लीग पूर्व कार्य के साथ साझा करती है। अनुभाग 7.4 के दावों के पीछे की पंक्तियाँ: दावा 1: पंक्तियाँ 4 और 6 से 9 (19 और 20 अक्टूबर के लिए स्तर 1 की पंक्ति 8, 21 अक्टूबर से स्तर 2+)। दावा 2: पंक्ति 16। दावा 3: पंक्तियाँ 6 से 12, 16 और 26, अनुभाग 3.13 की स्थिति स्तंभ के साथ पढ़ें। दावा 4: पंक्ति 20। दावा 5: पंक्ति 2। दावा 6: पंक्ति 22।

@misc{chernets2026sealedbeforetheopen,
  author       = {Chernets, Vadym},
  title        = {{Sealed Before the Open: A Verifiable Standard for Measuring AI Forecasts of Financial Markets}},
  year         = {2026},
  howpublished = {SSRN},
  doi          = {10.2139/ssrn.7653679},
  url          = {https://doi.org/10.2139/ssrn.7653679}
}