5D Library › 离散周期网络中的双尺度重整化、占位数分布熵与推力波叠加定理 · English

第五章 跨领域「结构同构」假说:板块轮动、机动空编、十二平均律与周期质押

注

本章不是投资建议。 本章讨论的金融与加密资产例子,只用来说明「形式上的相似」与「可检验的假说」之间的距离;书中不推荐任何资产、板块、币种、交易所或交易方法,也不认为第二、三章的模型可以用于交易。任何真实的投资都可能亏损全部本金,使用杠杆或衍生品时损失可能超过本金。

作者的框架提出,第一到第三章的结构可以「同构地」用于四个领域:金融资产的板块轮动、组织架构的机动空编、十二平均律的声学结构,以及去中心化网络中的周期性质押。「同构」在数学中有严格的含义:两个结构之间存在一个保持全部运算的一一映射。用于现实领域时,它最多只能是一个假说:如果把某些真实的量对应到模型的格子、粒子与对径配对,那么模型的某些推论应当在数据中出现。本章逐一写出这些对应,以及要检验它们还缺什么。

定理不是证据

先说明一个容易被忽视的逻辑问题。第二章的熵—峰值界,对任何把一个固定总量分配到 12 个类别的情形都成立,不管这些类别是格子、板块、部门还是时段。所以,在真实数据中「发现」熵与峰值满足这些界,不是模型描述了现实的证据,就像在真实数据中发现 1+1=21 + 1 = 2 不是算术描述了现实的证据一样。

推导

程序的第一部分在 10 万个随机生成的、形状差异很大的 12 类分配上检验 max⁡ipi≥2−H\max_i p_i \ge 2^{-H},全部成立。第二部分构造一个没有任何「虹吸」机制的零模型:12 个板块的权重是 12 个独立的一阶自回归噪声经过 softmax 变换得到的,彼此之间没有资金流动的规则。然后问:本期的分配熵与下一期权重的总变动之间有没有相关?噪声幅度是示意值。

推导

# Part 1: the Chapter 2 bounds hold for ANY allocation over 12 slots. Part 2: a SYNTHETIC
# null market with no siphon mechanism (softmax of 12 independent AR(1) noises): does low
# entropy still "predict" the size of the next move? (Illustrative parameters.)
import math, random
K = 12

def entropy(w):
    return -sum(x * math.log2(x) for x in w if x > 0)

def softmax(x):
    m = max(x); e = [math.exp(v - m) for v in x]; s = sum(e)
    return [v / s for v in e]

def corr(a, b):
    ma, mb = sum(a) / len(a), sum(b) / len(b)
    cov = sum((x - ma) * (y - mb) for x, y in zip(a, b))
    return cov / math.sqrt(sum((x - ma) ** 2 for x in a) * sum((y - mb) ** 2 for y in b))

if __name__ == "__main__":
    rng = random.Random(2026)
    ok = 0
    for _ in range(100000):
        w = [rng.expovariate(1.0) ** rng.choice((1, 3, 6)) for _ in range(K)]
        s = sum(w); w = [x / s for x in w]
        ok += 2 ** -entropy(w) <= max(w) + 1e-12            # peak >= 2^(-H)
    print(f"part 1: max share >= 2^(-H) holds in {ok:,} of 100,000 random allocations")
    print("part 2: noise  corr(H_t, move_t+1)  next move, lowest-H / highest-H fifth")
    for sigma in (0.5, 1.0, 2.0):
        x = [0.0] * K; hs, moves = [], []; w_old = softmax(x)
        for t in range(20000):
            x = [0.9 * v + sigma * math.sqrt(1 - 0.81) * rng.gauss(0, 1) for v in x]
            w = softmax(x)
            if t > 100:
                hs.append(entropy(w_old)); moves.append(sum(map(abs, (a - b for a, b
                                                                     in zip(w, w_old)))))
            w_old = w
        lo = sorted(range(len(hs)), key=hs.__getitem__)[: len(hs) // 5]
        hi = sorted(range(len(hs)), key=hs.__getitem__)[-len(hs) // 5:]
        m_lo = sum(moves[i] for i in lo) / len(lo)
        m_hi = sum(moves[i] for i in hi) / len(hi)
        print(f"        {sigma:4.1f}        {corr(hs, moves):+.3f}"
              f"                {m_lo:.3f} / {m_hi:.3f}")
# part 1: max share >= 2^(-H) holds in 100,000 of 100,000 random allocations
# part 2: noise  corr(H_t, move_t+1)  next move, lowest-H / highest-H fifth
#          0.5        -0.025                0.171 / 0.168
#          1.0        +0.087                0.306 / 0.326
#          2.0        +0.332                0.381 / 0.595

第一部分说明了「定理不是证据」。第二部分更值得注意:在一个没有任何机制的零模型中,本期熵与下一期变动之间的相关系数,随噪声幅度从 −0.025 变为 +0.087,再变为 +0.332;噪声幅度为 2.0 时,熵最低的五分之一时期之后的平均变动(0.381)明显小于熵最高的五分之一(0.595),因为权重一旦集中在一个板块上,softmax 的饱和使它不容易再变。所以,如果有人在真实数据中发现「低熵之后变动更大」或「更小」,都不能直接当作模型的证据;必须先说明一个合适的零模型会给出什么。

一、金融板块轮动的「虹吸」

对应关系。 12 个格子对应 12 个事先确定的行业板块,粒子对应资金份额,空位对应资金极少的板块;「虹吸」对应资金从一个板块流出、流入另一个板块;对径耦合则要求事先规定哪两个板块是「对径」的一对。

证据

已知的相关事实。 行业层面存在已发表的动量现象:莫斯科维茨与格林布拉特 1999 年发现,过去一段时间表现好的行业,在随后的一段时间里平均也倾向于表现较好,而且个股动量的很大一部分可以由行业动量解释 (Moskowitz and Grinblatt 1999)。但金融学中「发现」的预测因子有很多经不起多重检验的校正:哈维、刘与朱 2016 年整理了 316 个被报告的横截面收益因子,认为在多重检验的背景下,新因子的 tt 统计量门槛应当提高到约 3.0,许多已发表的因子很可能是假发现 (Harvey et al. 2016)。

要成立需要什么。 (1) 板块的划分与对径配对必须在看数据之前固定,否则 12 个板块有 11×9×7×5×3=10,39511 \times 9 \times 7 \times 5 \times 3 = 10{,}395 种配成六对的方法,总能找到一种「看起来对」的;(2) 「粒子」守恒的假设在市场中不成立:市值随价格涨跌而变化,资金流入与流出也不相等,所以必须说明用资金流数据还是市值份额,以及怎样处理总量的变化;(3) 预测必须是关于未来的、事先写定的单一结局,并与上面那样的零模型比较;(4) 交易成本、流动性与做空限制会使任何统计上的规律在实际中难以利用。本书不检验这个假说;第八章的检验方案针对的是另一个更简单的问题。

二、组织的机动空编

对应关系。 格子对应 12 个岗位或职能,粒子对应人员,空位对应空缺或有意保留的机动编制;对径耦合对应「一个岗位空缺时,与它配对的岗位以一半的能力代为履职」。

证据

组织冗余的已知研究。 诺里亚与古拉蒂 1996 年研究了两家跨国公司中各部门的「冗余资源」与创新之间的关系,发现两者呈倒 U 形:冗余太少或太多,创新都较少 (Nohria and Gulati 1996)。这与「一定数量的空位有好处」的直觉相容,但它研究的是资源冗余,不是本书的占位—耦合模型。

要成立需要什么。 (1) 岗位之间的配对(谁代谁履职)必须是组织中事先存在的、可以记录的规定;(2) 产出必须能按岗位测量;(3) 要区分「空位带来的耦合增益」与「人员集中带来的专业化收益」,后者与对径配对无关;(4) 第三章已经说明,模型的总通量不依赖于岗位的相邻关系,所以如果组织中「相邻」部门之间的协作才是关键,这个模型就不适用。

三、十二平均律:ℤ12\mathbb{Z}_{12} 的确是音乐的数学

在作者的四个应用中,这一个的数学对应是最严格的:十二个音级在八度等价下构成 ℤ12\mathbb{Z}_{12},移调是加法,倒影是取负,两者生成的「移调—倒影群」正是二面体群 D12D_{12} (Crans et al. 2009)。5D Library 第 3 本与第 31 本讨论过谐振与建筑声学,这里只从 ℤ12\mathbb{Z}_{12} 的角度讨论。

推导

十二平均律把八度(频率比 2)等分为 12 个半音,每个半音的频率比为 21/122^{1/12}。音分定义为 1200log⁡2(频率比)1200 \log_2(\text{频率比}),一个平均律半音恰为 100 音分。程序把平均律的各个音程与简单整数比的纯律音程比较,计算毕达哥拉斯音差与普通音差,并说明五度循环与对径点的代数含义。

推导

# Twelve-tone equal temperament (12-TET) as arithmetic on Z12. Cents: 1200 * log2(ratio).
# Questions: how far is each 12-TET interval from a small-integer (just) ratio; why does
# the circle of fifths visit all twelve pitch classes; what is the "antipode" i + 6?
import math
from math import gcd

def cents(r):
    return 1200 * math.log2(r)

JUST = [("minor second", 1, "16/15"), ("major second", 2, "9/8"),
        ("minor third", 3, "6/5"), ("major third", 4, "5/4"), ("fourth", 5, "4/3"),
        ("tritone", 6, "45/32"), ("tritone", 6, "7/5"), ("fifth", 7, "3/2"),
        ("minor sixth", 8, "8/5"), ("major sixth", 9, "5/3"),
        ("minor seventh", 10, "9/5"), ("major seventh", 11, "15/8")]

if __name__ == "__main__":
    st = 2 ** (1 / 12)
    print(f"semitone ratio 2^(1/12) = {st:.7f} = {cents(st):.0f} cents")
    print("interval         steps  just   just cents  12-TET  12-TET - just")
    for name, k, frac in JUST:
        p, q = map(int, frac.split("/"))
        d = 100 * k - cents(p / q)
        print(f"{name:15s}  {k:3d}   {frac:6s} {cents(p / q):8.2f}"
              f"  {100 * k:6d}  {d:+7.2f}")
    pc = 1.5 ** 12 / 2 ** 7
    print(f"Pythagorean comma (3/2)^12 / 2^7 = {pc:.5f} = {cents(pc):.2f} cents;"
          f" syntonic comma 81/80 = {cents(81 / 80):.2f}")
    print(f"12 equal fifths are exactly 7 octaves; 12 just fifths overshoot by"
          f" {cents(1.5 ** 12 / 2 ** 7) / 12:.3f} cents per fifth")
    gens = [k for k in range(1, 12) if gcd(k, 12) == 1]
    print("steps that generate all 12 pitch classes:", gens)
    print("circle of fifths:", [7 * j % 12 for j in range(12)])
    print("i + 6 is the tritone, 2^(6/12) = sqrt 2 =", f"{2 ** 0.5:.5f}")
    print("nonzero classes equal to their own inversion (k = -k mod 12):",
          [k for k in range(1, 12) if k == (-k) % 12])
    print(f"harmonic series: partial 3 vs 2^(19/12) = {2 ** (19 / 12):.4f};"
          f" partial 5 vs 2^(28/12) = {2 ** (28 / 12):.4f}")
# semitone ratio 2^(1/12) = 1.0594631 = 100 cents
# interval         steps  just   just cents  12-TET  12-TET - just
# minor second       1   16/15    111.73     100   -11.73
# major second       2   9/8      203.91     200    -3.91
# minor third        3   6/5      315.64     300   -15.64
# major third        4   5/4      386.31     400   +13.69
# fourth             5   4/3      498.04     500    +1.96
# tritone            6   45/32    590.22     600    +9.78
# tritone            6   7/5      582.51     600   +17.49
# fifth              7   3/2      701.96     700    -1.96
# minor sixth        8   8/5      813.69     800   -13.69
# major sixth        9   5/3      884.36     900   +15.64
# minor seventh     10   9/5     1017.60    1000   -17.60
# major seventh     11   15/8    1088.27    1100   +11.73
# Pythagorean comma (3/2)^12 / 2^7 = 1.01364 = 23.46 cents; syntonic comma 81/80 = 21.51
# 12 equal fifths are exactly 7 octaves; 12 just fifths overshoot by 1.955 cents per fifth
# steps that generate all 12 pitch classes: [1, 5, 7, 11]
# circle of fifths: [0, 7, 2, 9, 4, 11, 6, 1, 8, 3, 10, 5]
# i + 6 is the tritone, 2^(6/12) = sqrt 2 = 1.41421
# nonzero classes equal to their own inversion (k = -k mod 12): [6]
# harmonic series: partial 3 vs 2^(19/12) = 2.9966; partial 5 vs 2^(28/12) = 5.0397

平均律的半音比为 1.0594631。纯五度 3/2 为 701.96 音分,平均律五度为 700 音分,低 1.96 音分;纯大三度 5/4 为 386.31 音分,平均律大三度高 13.69 音分;纯小三度 6/5 高出平均律 15.64 音分。十二个纯五度比七个八度多出 23.46 音分(毕达哥拉斯音差),平均律把这个差额平均分摊给十二个五度,每个约 1.955 音分。

代数上,步长 7(五度)与 12 互素,所以从任一音出发,连续上行五度会走遍全部 12 个音级,这就是五度循环;在 ℤ12\mathbb{Z}_{12} 中能做到这一点的步长只有 1、5、7、11。环上的对径点 i+6i + 6 是三全音,频率比为 2≈1.41421\sqrt{2} \approx 1.41421,它是唯一一个与自身的倒影相同的非零音程;它与纯律的 45/32 相差 9.78 音分,与 7/5 相差 17.49 音分。

证据

平均律的历史与共振的物理。 明代朱载堉在 1584 年的《律学新说》中以精确的计算给出了十二平均律,1595 至 1596 年的《律吕精义》作了更系统的阐述 (Kuttner 1975)。在物理上,弦与管的共振给出谐波列,各次谐波的频率是基频的整数倍,相邻谐波之间是简单的整数比;十二平均律不是任何共振腔的固有频率,而是为了在所有调上都能转调、把纯律的音差平均分摊的折中 (Benson 2006)。程序最后一行显示,第 3 次谐波(3 倍基频)与平均律中相距 19 个半音的音(2.9966 倍)接近但不相等,第 5 次谐波(5 倍)与相距 28 个半音的音(5.0397 倍)相差更大。

所以,作者框架中「十二平均律的声学共振腔」一说需要更正:十二平均律与 ℤ12\mathbb{Z}_{12}、D12D_{12} 的对应是严格的数学事实,但它不是共振现象;对径耦合规则在音乐中也没有已知的对应(三全音并不「吸收」对面音级的一半能量)。

四、去中心化网络的周期性质押

对应关系。 作者把格子对应为一个周期中的 12 个时段(例如 12 个月),粒子对应锁定(质押)的份额,空位对应没有锁定或刚刚解锁的时段,对径耦合对应相隔半个周期的两个时段之间的某种补偿规则。

要成立需要什么。 (1) 这样的对应只在网络协议事先写定了按 12 个时段、对径补偿来分配奖励时才严格成立,那时它是协议的设计,不是被「发现」的规律;(2) 如果协议没有这样的规则,就需要说明对径耦合在经济上的机制,并用链上数据事先登记检验;(3) 质押涉及智能合约漏洞、锁定期内无法退出、代币价格剧烈波动、监管变化等风险,本金可能全部损失。本书不评价任何具体的协议或代币。

假说 · 尚未验证

作者的假说:结构同构(尚未确立)。作者推测,在上述至少一个领域中,存在一种事先可以写定的对应,使第三章的对径配对模型对某个单一结局的样本外预测,优于同样参数数目的零模型与相邻耦合模型。可以检验的预测,必须在看数据之前写明以下五项:12 个类别的划分、六对对径配对、粒子与总量的定义、唯一的结局、比较用的零模型。如果在事先登记的检验中,对径配对模型的样本外预测误差不低于零模型(差值的 95% 置信区间包含 0 或为正),这一假说在该领域就被推翻。十二平均律一项是数学事实,不在此假说之内。

本章小结

第二、三章的定理对任何 12 类分配都成立,所以在数据中「发现」它们不是证据;一个没有任何机制的零模型就能让熵与下一期变动的相关系数从 −0.025 变到 +0.332。金融板块轮动与组织空编两项,需要事先固定的类别、配对、守恒量定义、唯一结局与零模型,才谈得上检验;已知的行业动量与组织冗余研究与本书的模型并不相同。十二平均律与 ℤ12\mathbb{Z}_{12}、D12D_{12} 的对应是严格的数学事实:五度低 1.96 音分,大三度高 13.69 音分,三全音是对径点 2\sqrt{2};但它不是共振腔的产物。周期质押只有在协议本身这样设计时才严格对应,并伴随本金全部损失的风险。下一章讨论,为什么人们常常在没有规律的地方看到规律。

参考文献

Benson, David J. 2006. Music: A Mathematical Offering. Cambridge University Press.
Crans, Alissa S., Thomas M. Fiore, and Ramon Satyendra. 2009. “Musical Actions of Dihedral Groups.” American Mathematical Monthly 116 (6): 479–95. https://doi.org/10.4169/193009709X470399.
Harvey, Campbell R., Yan Liu, and Heqing Zhu. 2016“… And the Cross-Section of Expected Returns.” Review of Financial Studies 29 (1): 5–68. https://doi.org/10.1093/rfs/hhv059.
Kuttner, Fritz A. 1975. “Prince Chu Tsai-yü’s Life and Work: A Re-Evaluation of His Contribution to Equal Temperament Theory.” Ethnomusicology 19 (2): 163–206. https://doi.org/10.2307/850355.
Moskowitz, Tobias J., and Mark Grinblatt. 1999. “Do Industries Explain Momentum?” Journal of Finance 54 (4): 1249–90. https://doi.org/10.1111/0022-1082.00146.
Nohria, Nitin, and Ranjay Gulati. 1996. “Is Slack Good or Bad for Innovation?” Academy of Management Journal 39 (5): 1245–64. https://doi.org/10.2307/256998.

Fan, Y. (2026). Two-Scale Renormalization, Occupancy Entropy and Thrust-Wave Superposition in Discrete Cyclical Networks: Algebraic Topology and Monte Carlo Verification on a Twelve-Node Ring Lattice [离散周期网络中的双尺度重整化、占位数分布熵与推力波叠加定理] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23796761 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).