六爻预测与时间序列：周期分解法在卦象数据上的实验

六爻预测与时间序列周期分解法在卦象数据上的实验一、当时间序列分析遇到古老的六十四卦时间序列预测是数据科学中的经典问题——通过观察历史数据的模式趋势、周期、季节性预测未来的数值变化。经典方法如 ARIMA、Prophet 和 LSTM在金融、气象、能源等领域已有广泛应用。六爻预测是中国古代的预测方法之一。它将某一时刻的信息编码为一组卦象本卦、变卦、互卦通过对卦象的解读来推演事态的发展。卦象由六条爻线组成每条爻可能是阳爻—或阴爻--共 64 种基本组合。这两种系统在底层逻辑上有一个共同点都是在有限的历史信息中寻找模式并基于这种模式外推到未来。时间序列做的是数值模式的拟合六爻做的是符号模式的匹配。两者都面对一个根本问题——如何从已知信息中推断未知信息并且量化推断的不确定性。本实验的目标不是让机器学习算命而是测试一种可能性如果将卦象的时间序列数据化——将每次起卦的卦象编码为数值向量按时间排序——能否用经典的周期分解方法发现其中是否存在可检测的周期性或趋势性信号见证奇迹的时刻在于这个实验的结论不是卦象能预测未来而是时间序列分析在不同类型的数据上表现出的模式差异本身就值得研究。二、卦象编码与时间序列建模的实验设计graph TD A[原始卦象记录] -- B[数字编码层] B -- B1[二进制编码: 64 位 one-hot] B -- B2[序数编码: 0-63] B -- B3[八卦分解: 上卦下卦] B1 -- C[序列构建] B2 -- C B3 -- C C -- C1[按时间排序的卦象序列] C1 -- D[周期分解] D -- D1[趋势分量: Hodrick-Prescott 滤波] D -- D2[周期分量: FFT 频域分析] D -- D3[残差分量: 随机扰动] D1 -- E{模式发现} D2 -- E D3 -- E E -- E1{是否存在显著周期?} E1 --|是| F[记录周期特征] E1 --|否| G[标记为随机序列] style A fill:#e1f5fe style D fill:#fff3e0 style E fill:#fce4ec实验设计分四个步骤步骤一卦象编码。将六爻每爻阴/阳编码为 6 位二进制数再映射为 0-63 的整数序号。同时将卦象分解为上卦上三爻和下卦下三爻分别编码为 0-7 的八卦序号。这样每个卦象被表示为三维向量数值序号、上卦类型、下卦类型。步骤二序列构建。将历史上的起卦记录按时间排序形成卦象的等间隔时序序列。这里的等间隔是关键要求——如果记录时间不均匀需要用插值方法补齐如时间最近邻填充。步骤三周期分解。使用 STLSeasonal-Trend decomposition using LOESS方法将序列分解为趋势分量、周期分量和残差分量。趋势分量反映卦象数值在长时间尺度上的方向性变化如果存在周期分量反映卦象是否在特定频率上反复出现残差分量反映无法被趋势和周期解释的随机波动。步骤四显著性检验。对检测到的周期信号做显著性检验。方法是将原始序列随机打乱 1000 次计算随机序列的周期强度分布然后判断原始序列的周期强度是否显著大于随机序列的 95% 分位数。只有通过显著性检验的周期才被认为不是随机波动。三、卦象时间序列分析的实现以下代码实现了卦象的编码和周期分解。import numpy as np from typing import List, Tuple, Dict, Optional from dataclasses import dataclass from collections import Counter dataclass class GuaRecord: 卦象记录 设计原因封装单次起卦的全部信息。 包含原始卦象本卦变卦仅本卦参与序列分析 变卦信息保留用于后续的多序列交叉分析。 timestamp: float main_gua: int # 本卦序号 0-63 change_gua: Optional[int] None # 变卦序号 upper_gua: int -1 # 上卦 0-7 lower_gua: int -1 # 下卦 0-7 class GuaTimeEncoder: 卦象时间序列编码器 设计原因将卦象符号转化为数值时间序列。 三重编码one-hot、序数、八卦分解提供了不同粒度 的模式分析视角。 staticmethod def encode_gua(yangs: List[bool]) - int: 六爻到 0-63 序号的编码 设计原因从下到上初爻到上爻阳爻为 1 阴爻为 0。组成 6 位二进制数作为卦象的唯一数值标识。 value 0 for i, is_yang in enumerate(yangs): if is_yang: value | (1 i) return value staticmethod def decompose_gua(gua_id: int) - Tuple[int, int]: 分解为上下卦八卦 设计原因六十四卦由两个八卦上卦下卦组成。 将卦象分解后可以分别分析上下卦的独立变化模式。 例如上卦可能与外部环境相关下卦可能与内部状态相关。 upper (gua_id 3) 0x7 # 上三爻 lower gua_id 0x7 # 下三爻 return upper, lower staticmethod def build_time_series(records: List[GuaRecord] ) - Tuple[np.ndarray, np.ndarray]: 构建等间隔时间序列 设计原因周期分解方法要求等间隔的时间点数据。 如果原始记录时间间隔不均使用最近邻插值补齐。 返回时间戳数组和卦象序号数组。 records sorted(records, keylambda r: r.timestamp) timestamps np.array([r.timestamp for r in records]) gua_values np.array([r.main_gua for r in records]) return timestamps, gua_values class CycleDetector: 周期检测器 设计原因使用 FFT 频域分析和统计显著性检验 来检测卦象序列中是否存在非随机的周期信号。 staticmethod def fft_analysis(series: np.ndarray ) - Dict[str, np.ndarray]: FFT 频域分析 设计原因将时域序列转换到频域 识别主导频率Dominant Frequency。 如果存在显著的单一频率峰值 说明序列中存在对应周期的模式。 n len(series) fft_values np.fft.fft(series - np.mean(series)) freq np.fft.fftfreq(n) power np.abs(fft_values) ** 2 # 只保留正频率对称性 positive_mask freq 0 freq freq[positive_mask] power power[positive_mask] return { frequencies: freq, power_spectrum: power, dominant_freq: freq[np.argmax(power)], period: 1.0 / freq[np.argmax(power)] if freq[np.argmax(power)] 0 else float(inf) } staticmethod def permutation_test(series: np.ndarray, n_permutations: int 1000 ) - Tuple[float, float]: 排列检验周期显著性 设计原因检测到的周期可能只是随机波动的结果。 通过随机打乱序列 1000 次构建零分布 判断原始周期强度是否显著高于随机水平。 p 0.05 表示周期信号不太可能是随机产生的。 # 原始序列的 FFT 最大功率 orig_result CycleDetector.fft_analysis(series) orig_max_power np.max(orig_result[power_spectrum]) # 随机打乱序列的最大功率分布 permuted_powers [] for _ in range(n_permutations): permuted np.random.permutation(series) perm_result CycleDetector.fft_analysis(permuted) permuted_powers.append(np.max(perm_result[power_spectrum])) permuted_powers np.array(permuted_powers) p_value np.mean(permuted_powers orig_max_power) return orig_max_power, p_value staticmethod def trend_decomposition(series: np.ndarray ) - Dict[str, np.ndarray]: 趋势-周期分解 设计原因使用简单的移动平均方法将序列分解为 趋势分量、周期分量和残差分量。 趋势分量反映长期方向周期分量反映中短期波动模式。 n len(series) # 趋势居中移动平均窗口 序列长度 / 5 window max(3, n // 5) trend np.convolve(series, np.ones(window)/window, modesame) # 去趋势 detrended series - trend # 周期分量去趋势后做 FFT取前 3 个主频重建 fft_result np.fft.fft(detrended) top_k 3 sorted_indices np.argsort(np.abs(fft_result))[::-1] filtered_fft np.zeros_like(fft_result, dtypecomplex) for idx in sorted_indices[:top_k]: filtered_fft[idx] fft_result[idx] seasonal np.fft.ifft(filtered_fft).real # 残差 residual detrended - seasonal return { trend: trend, seasonal: seasonal, residual: residual }核心设计要点八卦分解提供了更细粒度的分析视角。上下卦分别代表不同的维度传统解释中上卦对应外因/环境下卦对应内因/主体分开分析可以发现单一序号分析无法发现的模式。排列检验是关键的统计保障。在噪声数据中FFT 几乎总是会给出某个主导频率但这些频率在 99% 的情况下只是噪声。排列检验确保只有统计显著的周期才被报告。趋势分解的输出是三个独立的分量可以分别分析其在不同时间窗口内的变化特征。四、实验的预期发现与方法论边界这个实验的核心价值不在于验证六爻预测是否有效而在于提出和回答一个方法论问题传统符号系统能否被量化为可分析的时间序列如果可以能发现什么如果不能为什么不能可能的结果与解读结果统计解读对六爻方法的含义检测到显著周期卦象序列中存在非随机模式可能反映了起卦条件的环境周期性未检测到显著周期卦象序列无法与随机序列区分不支持卦象有内在时间规律的假设上下卦独立分析得出不同周期系统中存在多层次的模式需要区分数字模式的统计显著性和解释系统的有效性方法论边界必须声明统计显著不等于因果有效。即使检测到卦象序列中的周期性也只说明了数据层面存在模式不能证明这种模式反映了任何现实世界的变化。这是一个实验不是一个结论。本文的目的是展示如何用时间序列分析工具研究非传统数据类型而不提供关于六爻预测是否有有效的最终判断。数据的质量和完备性是关键限制。如果卦象记录存在时间偏差、选择性记录或样本量不足任何分析方法都可能得出误导性结论。见证奇迹的时刻不在于发现了什么惊天秘密而在于打破了传统文化与数据分析不能融合的预设。把一种古老的符号系统转化为可在现代数据分析框架中检验的结构化数据——这个过程本身就是一次有意义的跨界探索。五、总结六爻卦象可以通过二进制编码转化为 0-63 的数值序列配合上卦/下卦分解形成多维度的时间序列数据。周期分解方法FFT 频域分析 排列检验可以检测序列中是否存在非随机的周期或趋势信号。排列检验的 p 值小于 0.05 是可接受的统计显著标准。该实验的核心价值在于展示传统符号系统与数据科学方法的交叉可能性而非提供关于预测方法的最终结论。统计显著性与因果有效性是两个必须严格区分的概念——数据中检测到模式不意味着该模式反映了现实规律。实验的可靠性依赖于数据的完整性、均匀性和样本量。