這是AI底層數據(數字/文字)建模的核心技術
全都看得到數學結果
全都是各自的數學模型支撐

這樣的建模技術核心是標準的數學建模，各種數據排序或規律有各自的數學模型。數據建模有一套龐大的數據庫，數據庫內是萬萬個數學模型。

這不是通用模型套用所有數據的做法，而是真實為數據建模的核心技術與原理。

若沒有先做完這步，在AI後續所謂的轉換或各種MODEL都會從此處產生不確定性，後續成為隱性問題。

當我們測定2025年美國常規全配方汽油價格的機率分布，得到雙倍指數分布有什麼意義呢？

這個分布揭露什麼？

1) 價格由「衝擊」主導

Laplace 分布＝大量小變動 + 少數巨大跳動
不連續、不平滑

2) 尾端事件回歸

上尾、下尾機率同時存在
暴漲與暴跌都「被允許」

3) 不存在自然邊界

與 2024 年的有界分布完全相反
系統不再封頂、不再托底

---

位置參數不是錨，是「短暫中心」，雖然對稱，但不穩定。

---

λ 的統計含義

λ 越大，代表系統越不容許偏離；
一旦偏離，修正必然是非連續、非漸進的。

意味：
多數時間價格被拉回中心
但一旦離開，移動速度極快
價格修正靠跳躍，不靠緩慢調整

---

P-value = 0.051 的訊息

不是漂亮的成立
是「勉強接受」

說明：分布正在轉型，系統仍未收斂

---

與 2024 的統計對比

2024：有界、平滑、無尾端

2025：無界、尖峰、厚尾

👉 統計結論：控制結構消失

---

2025 年的汽油價格，不再被「限制」，而是被「衝擊反覆拉扯」。
分布沒有情緒，但它清楚記錄了：穩定性已經離場。

前面貼文有2022年與2023年的美國常規全配方汽油價格機率分布，那在2024年(美國總統選舉年)時，全年度的油價數據會來自哪個分布呢？會不會跟2022年或2023年相同/同族群的分布？

結果測定出來是raised cosine分布，這是一個有範圍限制、斜率變化遵循正弦波的規律、不會產生劇烈的頻率抖動的機率分布。

這個分布說明什麼？

1) 不是市場自然生成的價格。

🔸自由市場價格常見：右偏、厚尾、突波
🔸Raised cosine：排除極端值

2) 價格波動被「刻意平滑」

🔸機率密度一階導數連續
🔸無高頻抖動 → 波動被抑制

3) 尾部被壓縮

🔸幾乎不給暴漲、也不給暴跌
🔸這不是隨機，是設計結果

這不是市場在告訴你什麼，
是分布在承認它被設計過。

2022年的美國常規全配方汽油價格的機率分布已經在前一個貼文發布。那下一年度的2023年結果會是怎樣呢？

按照相同的方式，2023年的美國常規全配方汽油價格機率分布，不再是log Normal了，而是Gumbel。此時你看到在不同參數值下的分布狀態也不太與2022年相同。

沒有數學模型結果出來的，都可視為假。

通常他們「假設」有數學模型結果存在！但模型結果過於複雜或龐大，所以不予顯示，改採用各種評估指標呈現，只要評估指標優於閥值，就表示這個「數學模型」好，是值得採用的。

真相是這樣嗎？

原本直線模式就是為了讓自變數展現可解釋的部分。可解釋部分愈高，表示直線模式愈能代表這些數據。

後來發展到盡可能降低可解釋的部分，變成誤差代表應變數。此時就能用隨機的誤差分配來模擬M次，取平均做代表值。接著比較原值和代表值。兩者只要差小於特定數值，就表示成功。

看看！本來能夠有規律的模型被改造成無規律的部分主導模型。

問題就出在於，人類記錄的數據至少都會有承載時間的特徵。這個時間特徵隱含特定的規律，或者稱為趨勢。而我們主動將這樣的特徵想辦法降低到微乎其微，這樣合理嗎？

目前來說，是非常合理。

4／

這個數據分佈的問題，我曾在某R開頭的平台上遇到專業的博士回答。他說：應該是負二項式分配。

我看了原po附上的圖，這一看就是用軟體跑出來的結果，按照直方圖+用眼睛看，我也無法否認專業的博士回答。但我留言告訴原po要去測定數據的分配，可以用改良適合度檢定（improved goodness of fit），可以檢定45種機率分配。即使是間斷型數據，同樣也能被檢定出來。

方法（Pearson's test）有，但要做到測定各種的機率分配就得做一點變更，適用各種分配的檢定。甚至不在預設的45種分配當中，也要能為數值和發生機率建立數學模型。

3／