4 couches méta. Empilées.
Les arènes produisent des trades. Cette couche en fait du sens. Chaque système prend les mêmes signaux bruts des 8 arènes et applique une stratégie d'agrégation différente.
Du simple au non-linéaire
Oracle compte les votes →
Meta les pondère →
Leviathan fusionne non-linéairement →
Chimera mémorise des patterns.
Oracle
Vote consensus. Chaque IA de la table ronde émet une voix sur une décision. Majorité simple gagne. Poids égaux, pas d'apprentissage.
≠ Meta (Meta apprend les poids depuis l'accuracy passée)
decision = mode(vote₁, vote₂, ..., vote₉)
Ouvrir Oracle →Meta Intelligence
Ensemble pondéré. Chaque stratégie reçoit un poids appris depuis son accuracy glissante. Les performeurs dominent, les faibles s'effacent.
≠ Oracle (Meta est dynamique, Oracle est statique)
decision = Σ (wᵢ × signalᵢ), wᵢ ∝ accuracyᵢ
Ouvrir Meta →Leviathan
Fusion non-linéaire. Combine la mémoire de patterns de Chimera avec le learner multi-têtes Hydra. Capture des interactions que Meta ne peut pas.
≠ Meta (Meta = somme pondérée linéaire ; Leviathan = fusion neuronale)
decision = f_NN(Chimera_state, Hydra_state)
Ouvrir Leviathan →Chimera
Banque mémoire de patterns. 1221 patterns indexés depuis l'historique marché. Nourrit Leviathan avec des reconnaissances « ça ressemble à X de 2022 ».
≠ tous les autres (Chimera ne décide pas — elle se souvient et signale)
similarity = max_k cosine(currentₜ, patternₖ), k∈[1, 1221]
Ouvrir Chimera →🔗 Ce qui alimente cette couche
Les 4 systèmes lisent depuis les 8 arènes ci-dessous. Voir la taxonomie complète sur /arenas.