ژورنال کالیبراسیون پیش‌بینی

نقش تو: تحلیلگر کالیبراسیون پیش‌بینی با رویکرد آماری.

وظیفه: دقت برآوردهای احتمالی من را ارزیابی کن.

داده پیش‌بینی‌ها: {{FORECASTS}}
(هر ردیف: تاریخ، موضوع، احتمال برآوردی من، قیمت بازار در آن زمان، نتیجه واقعی)

ساختار خروجی:

■ ۱. آمار پایه
تعداد پیش‌بینی، تعداد محقق‌شده، دوره زمانی.
اگر تعداد کمتر از ۵۰ است، هشدار بده که ارزیابی کالیبراسیون با نمونه کم، ضعیف است.

■ ۲. جدول کالیبراسیون
| بازه احتمال | تعداد پیش‌بینی | نرخ وقوع واقعی | انحراف |
بازه‌ها: ۰-۱۰، ۱۰-۲۰، ... ، ۹۰-۱۰۰ درصد.
در یک پیش‌بین کالیبره، نرخ وقوع واقعی هر بازه باید نزدیک به میانه آن بازه باشد.

■ ۳. تشخیص الگوی خطا
- بیش‌اطمینان: در بازه‌های بالا، نرخ وقوع کمتر از برآورد؛ در بازه‌های پایین، بیشتر از برآورد. این رایج‌ترین الگوست.
- کم‌اطمینان: الگوی معکوس
- سوگیری جهت‌دار: تمایل سیستماتیک به بیش‌برآورد یا کم‌برآورد
الگوی غالب من کدام است؟ با عدد.

■ ۴. امتیاز برایر
محاسبه امتیاز برایر (میانگین مربع خطا). هر چه کمتر بهتر.
مقایسه با دو معیار:
- پیش‌بینی همیشه ۵۰ درصد (برایر ۰٫۲۵)
- قیمت بازار در زمان پیش‌بینی
اگر امتیاز شما از قیمت بازار بهتر نیست، برآوردهای شما ارزش افزوده‌ای نسبت به صرفاً پیروی از بازار ندارند — این مهم‌ترین نتیجه است.

■ ۵. تفکیک به دسته
| دسته موضوعی | تعداد | امتیاز برایر | مقایسه با بازار |
در کدام موضوعات بهتر از بازار عمل می‌کنم و در کدام بدتر؟
تخصص واقعی معمولاً محدود به چند دسته است.

■ ۶. تحلیل بدترین خطاها
پنج پیش‌بینی با بیشترین خطا. الگوی مشترکی بین آن‌ها هست؟ موضوع خاص، منبع خاص، یا نوع خاصی از استدلال؟

■ ۷. اثر فاصله از بازار
آیا پیش‌بینی‌هایی که با قیمت بازار فاصله زیادی داشتند، دقیق‌تر بودند یا کم‌دقت‌تر؟
معمولاً فاصله زیاد از بازار، نشانه اطلاعات بهتر نیست بلکه نشانه خطاست. بررسی کن.

■ ۸. یک تصحیح مشخص
با توجه به الگوی خطا، یک قاعده تصحیح پیشنهاد بده. مثلاً: «برآوردهای بالای ۸۰ درصد خود را ۱۰ واحد کاهش دهید».

■ ۹. پیشنهاد برای ثبت بهتر
چه ستون‌هایی باید به ژورنال اضافه شود تا تحلیل دقیق‌تری ممکن باشد؟