यहाँ बताया गया है कि Opus 5.5 के साथ एक AI quant research desk कैसे बनाया जाए, स्टेप-बाय-स्टेप।
एक ऐसी जगह जहाँ कंपनियों पर रिसर्च करें, ट्रेडिंग आइडियाज़ को टेस्ट करें और हर नतीजे के पीछे के सबूतों की जाँच करें।
अपना वर्ज़न बनाने के लिए नीचे दिए गए प्रॉम्प्ट्स, एनोटेटेड स्क्रीनशॉट्स और चेक्स का इस्तेमाल करें।
हम एक काम करने वाले Minara पायलट से शुरुआत करेंगे, फिर पूरे डेस्क के लिए ज़रूरी डेटा और रिसर्च पाइपलाइन तैयार करेंगे।
किसी AI चैट से दुनिया भर के हर AI स्टॉक के बारे में पूछें, तो शायद आपको एक लिस्ट मिल जाएगी। सबसे पहले यह तय करें कि AI exposure क्या है, कौन-सी लिस्टिंग योग्य हैं, और हर कंपनी को किस तरह के सबूत देने होंगे।
अगर ऐसा नहीं किया, तो लिस्ट में ग्राहकों और सप्लायर्स का मिला-जुला नाम आ सकता है, एक ही कंपनी तीन बार गिनी जा सकती है, और भविष्य में खुलने वाली जानकारी पुराने फैसलों में लीक हो सकती है।
प्रस्तावित सेटअप में हर टूल का एक ही काम है:
Minara रिसर्च और पायलट को व्यवस्थित करता है। Codex दोहराए जा सकने वाले कैलकुलेशन चलाता है। Jev कठिन टेस्ट पास होने के बाद टाइप किए गए सबूतों की जाँच करता है। Dots अपना हैंडऑफ़ वेरिफ़ाई होने के बाद सीमित (bounded) टास्क को समन्वित करता है।
मॉडल माँगने से पहले, मुझे ऐसे सबूत चाहिए जिनकी मैं जाँच कर सकूँ।
कौन-से लिस्टेड इश्यूर योग्य हैं, उन्हें क्यों शामिल किया गया है, और डेटा किन सवालों के जवाब दे सकता है?
योजनाबद्ध कोर में लिस्टेड कॉमन इक्विटी और ADR शामिल हैं, जहाँ नामित स्रोत देश-स्तरीय कवरेज देते हैं। मैं वैल्यू चेन में हर इश्यूर के AI exposure को मैप करूँगा।
Momentum, quality और investment cycle के इनपुट्स की समीक्षा पूरी होने के बाद उनके अलग-अलग टेस्ट होंगे।
“global” के लिए दस्तावेज़ीकृत कवरेज ज़रूरी है। हर एक्सचेंज और इश्यूर अपने आप नहीं दिखेगा।
यह बिना किसी ब्रोकर कनेक्शन, ऑर्डर रूट, वॉलेट या लाइव डिप्लॉयमेंट वाली रिसर्च है।
Raw captures में अकाउंट लेबल दिख सकते हैं। ये मौजूदा या सेव किए गए UI को रिकॉर्ड करते हैं; मैंने नतीजों को स्वतंत्र रूप से दोबारा तैयार नहीं किया है।
आज Minara क्या सपोर्ट करता है
मैंने Minara के रिसर्च टूल्स की जाँच के लिए इसे खंगाला। ग्लोबल डेटाबेस अभी भी बनना बाकी है।
Factor Library में 376 फैक्टर्स दिखे, जिनमें momentum को परिभाषित करने के कई तरीके शामिल थे।
Strategy Studio के एक उदाहरण में 31 मौजूदा इंस्ट्रूमेंट्स थे, जिनमें ETFs और गैर-अमेरिकी सिक्योरिटीज़ भी थीं।
यह इंटरफ़ेस पायलट के लिए ठीक है। हिस्टोरिकल वर्ल्ड इक्विटी मेंबरशिप के लिए अभी भी अपना अलग डेटा चाहिए।
ब्रॉड U.S. momentum मेमो ने “not calculated” दिखाया। हिस्टोरिकल कवरेज, मेंबरशिप, डेटा विंटेज और एग्ज़ीक्यूटेबल प्राइसेज़ वेरिफ़ाई नहीं हुए थे।
मुझे बैकटेस्ट स्क्रीन्स में कॉस्ट और सेटिंग्स की बेमेल चीज़ें भी मिलीं।

मौजूदा Minara मेमो और ओरिजिनल रिक्वेस्ट UI और रिसर्च की सीमाओं को दिखाते हैं।

• बाईं ओर एक पहले से मौजूद इंस्टीट्यूशनल रिसर्च रन है जिसका ग्लोबल कवरेज अधूरा है। तीर NVDA राउंडटेबल के पूरे हुए चरणों को दर्शाता है।
• बीच में सिर्फ NVDA पर आधारित रिपोर्ट है, कोई ग्लोबल AI यूनिवर्स नहीं। तीर इसकी हेडलाइन और होल्ड स्टेटमेंट को दर्शाता है।
• दाईं ओर ओरिजिनल रिक्वेस्ट और सेव किया गया मेमो एक बिना टेस्ट की गई स्टडी बताते हैं। तीर निष्कर्ष और असमर्थित-डेटा की सीमा को दर्शाता है।
पहले इन्वेस्टेबल यूनिवर्स को परिभाषित करें
कंपनी की पहचान से शुरू करें। उसके बाद टिकर जोड़ें।
टिकर एक लिस्टिंग की पहचान कराता है। स्टडी को आमतौर पर उसके पीछे के इश्यूर की ज़रूरत होती है।
एक इश्यूर के कई शेयर क्लास, एक लोकल प्राइमरी लिस्टिंग और एक ADR हो सकता है।
ब्रॉड सर्च में ETFs, फंड्स, वारंट्स और प्राइवेट फ़र्में भी आ सकती हैं।
इन्हें स्वतंत्र AI कंपनियों के रूप में गिनें, तो पहला कैलकुलेशन होने से पहले ही सैंपल बिगड़ जाएगा।
मैं दो लिंक्ड टेबल्स रखूँगा:
issuer master एक स्थिर internal issuer_id, लीगल नाम, डोमिसाइल और उपलब्ध बाहरी आइडेंटिफ़ायर्स को स्टोर करता है।
listing master listing_id, इश्यूर लिंक, टिकर, एक्सचेंज, शेयर क्लास, इंस्ट्रूमेंट टाइप, करेंसी, कैलेंडर, एक्टिव डेट्स और कोई भी ADR रेशियो या अंडरलाइंग सिक्योरिटी को स्टोर करता है।
एक लीगल एंटिटी और एक सिक्योरिटी के लिए अलग-अलग आइडेंटिफ़ायर्स चाहिए, जिन्हें डेटेड issuer-to-listing मैप से जोड़ा जाता है।
अनरिज़ॉल्व्ड मैप उस एंट्री को कोर सैंपल से बाहर रखता है।
पहले कोर में साधारण कॉमन शेयर्स और डिपॉज़िटरी रिसीट्स शामिल हैं।
ETFs, फंड्स, डेरिवेटिव्ज़, टोकनाइज़्ड एसेट्स और प्राइवेट कंपनियों को बाहर रखा जाएगा या अलग से ट्रैक किया जाएगा।
एक ADR और उसके अंडरलाइंग शेयर को एक ही इश्यूर माना जाएगा, भले ही दोनों के टिकर हों।
टेस्टिंग से पहले, मैं प्राइमरी-लिस्टिंग नियम को फ़्रीज़ कर दूँगा या स्पष्ट रूप से लिस्टिंग-लेवल स्टडी चुनूँगा।
फैक्टर के नतीजे उस चुनाव को बदल नहीं सकते।
हर “AI company” लेबल के लिए सबूत चाहिए। एक्सचेंज का चेकबॉक्स इसे तय नहीं करेगा।
मैं तीन कैटेगरी इस्तेमाल करूँगा:
• direct exposure: इश्यूर AI मॉडल, सॉफ़्टवेयर, सिस्टम या सर्विसेज़ बेचता है, जिसका समर्थन खुलासा किए गए सेगमेंट या प्रोडक्ट के सबूतों से होता है।
• supplier or enabler: यह पहचाने जा सकने वाले चिप्स, मेमोरी, फ़ैब्रिकेशन उपकरण, नेटवर्किंग, क्लाउड क्षमता, डेटा-सेंटर सिस्टम, पावर, कूलिंग या अन्य AI डिप्लॉयमेंट इनपुट्स बेचता है।
• watchlist only: मैनेजमेंट का दावा, ब्रॉड पोज़िशनिंग या संभावित लिंक में कोर में शामिल करने लायक पर्याप्त विवरण नहीं है।
हर एविडेंस रिकॉर्ड दावे, सोर्स पैसेज, डॉक्यूमेंट पीरियड, पब्लिकेशन टाइमस्टैम्प, बिज़नेस सेगमेंट, कैप्चर टाइम, लेबल नियम, रिव्यूअर और पैरेंट/सब्सिडियरी लिंक को स्टोर करता है।
एक LLM पैसेज ढूँढ सकता है और विरोधाभासों को फ़्लैग कर सकता है। फिर भी हिस्टोरिकल लेबल्स के लिए डेटेड सोर्सेज़ और इंसान द्वारा रिव्यू किए गए रिकॉर्ड्स ज़रूरी हैं।
known_at मुझे किसी कंपनी के 2026 के विवरण को उसके 2018 के रिकॉर्ड में डालने से रोकता है।
कोई सबूत नहीं मतलब unknown। यह एक मान्य आउटपुट है।
unknown को हर क्लास के साथ गिनें ताकि छूटे हुए सबूत दिखते रहें।
“worldwide” के लिए हर सोर्स का कवरेज लेजर चाहिए।
देशों, एक्सचेंजों, इंस्ट्रूमेंट टाइप्स, इतिहास, डिलिस्टेड नामों, कॉर्पोरेट एक्शन्स, फ़ाइनेंशियल फ़ील्ड्स, लाइसेंस और कमियों को रिकॉर्ड करें।
हर देश/एक्सचेंज जोड़े को included, partial या unavailable मार्क करें। वेंडर के सपोर्टेड सबसेट को स्टडी का दायरा बताएँ।
ग्लोबल हेडिंग अधूरे कवरेज को ठीक नहीं कर सकती।
डुप्लीकेट या टाइम लीकेज के बिना मास्टर बनाएँ
यूनिवर्स मैनिफ़ेस्ट को फ़्रीज़ करें: as-of date, देश, वेन्यू, इंस्ट्रूमेंट टाइप्स, exposure नियम, identifier-map snapshot, quality filters, delisting treatment, source vintages और exclusions।
हर स्टेप पर गिनती रिपोर्ट करें: candidates, mapped issuers and listings, duplicates, rejected instruments, unknown labels और final members।
रिव्यूअर को सोर्स लिस्ट से लेकर फ़ाइनल मेंबरशिप तक का पता लगाने में सक्षम होना चाहिए।
टिकर बदलते हैं। पहचान का इतिहास सुरक्षित रहना चाहिए।
कंपनियाँ नाम, वेन्यू और शेयर क्लास बदलती हैं। लिस्टिंग्स सस्पेंड, मर्ज या डिलिस्ट हो सकती हैं।
डेटेड अलायस, मैपिंग सोर्सेज़ और हर बदलाव का कारण रखें।
ADR लिंक्स और रेशियो के लिए भी effective dates ज़रूरी हैं।
आज की एक्सचेंज डायरेक्टरी मौजूदा लिस्टिंग्स की पहचान में मदद करती है। यह हिस्टोरिकल मेंबरशिप या AI सबूतों के सार्वजनिक होने का समय तय नहीं करती।
फ़ाइलिंग्स पब्लिकेशन डेट्स दे सकती हैं, लेकिन total returns या delisting data नहीं।
ज़रूरी इतिहास अनुपलब्ध या अनलाइसेंस्ड होने का मतलब है not calculated।
हर लिस्टिंग की एक करेंसी, कैलेंडर, डेलाइट-सेविंग नियम और क्लोज़ टाइम होता है।
मैं एक बेस करेंसी, संभवतः USD, में unhedged returns इस्तेमाल करूँगा, जिसमें नामित FX सोर्स और टाइमस्टैम्प होगा।
total-return method, corporate-action और dividend policy, delisting treatment और execution time को परिभाषित करें।
same-date closes उपलब्धता साबित नहीं करते। Tokyo और बाद में बंद होने वाले एक्सचेंजों के वास्तविक टाइमस्टैम्प्स जाँचें।
मैनिफ़ेस्ट में decision time और अगला executable local session रिकॉर्ड करें।
diagnostics के लिए local-currency returns रखें। USD translation को दस्तावेज़ित करें क्योंकि FX रैंकिंग बदल सकता है।
छुट्टियों और non-overlapping sessions को exchange calendars से मिलाएँ। blanket month-end join timing errors छिपा सकता है।
जब consistent timing सपोर्ट न हो, alignable subset इस्तेमाल करें और सीमा बता दें।
तीन hypotheses। तीन failure modes।
एक agent को तब तक हज़ारों factors नहीं आज़माने चाहिए जब तक कोई सुंदर chart न दिख जाए।
तीन सरल hypotheses को फ़्रीज़ करें, variants सीमित रखें, और एक बार में एक टेस्ट करें।
momentum पहले आएगा। इसकी परिभाषाएँ आज Minara में देखी जा सकती हैं।
quality और investment cycle तब तक design-only रहेंगे जब तक historical inputs audit पास नहीं कर लेते।
1. momentum. plain 12-month total return (t−12 से t−1 तक compounding) की तुलना 12–2 momentum (t−12 से t−2 तक compounding और t−1 को छोड़कर) से करें।
point-in-time issuer/listing universe, rebalance calendar, selection rule, weights, benchmark और costs को फ़्रीज़ करें।
सिर्फ signal window बदलें।
टेस्ट दिखाता है कि क्या परिभाषाएँ अलग-अलग नाम चुनती हैं। यह नहीं बताता कि उनके returns का कारण क्या था।
2. quality. ranking से पहले एक छोटी cross-country definition को फ़्रीज़ करें।
एक candidate profitability, balance-sheet resilience और earnings stability को जोड़ता है।
हर input की units, fiscal period, restatement policy, publication timestamp और incomparable या missing fields के treatment को परिभाषित करें।
accounting standards, currencies, industries और fiscal calendars एक naive global score को बिगाड़ सकते हैं।
combined score के साथ हर component का coverage दिखाएँ। missing fields दिखते रहने चाहिए।
3. investment cycle. evidence ledger में AI segments से जुड़े disclosed capital spending का उपयोग करें।
realized cash capex, guidance, announced commitments, construction in progress और management targets को अलग करें। हर एक का अर्थ और तारीख़ अलग होती है।
multi-year data-center announcement completed capex नहीं है।
टेस्टिंग से पहले measure और lag को फ़्रीज़ करें। returns उन्हें बदल नहीं सकते।
हर manifest में expected direction, inputs, timing, eligible sample, controls, benchmark, variants, rejection rule और holdout रिकॉर्ड करें।
data dictionary और publication-time rules की समीक्षा पूरी होने तक “design only” status बनाए रखें।
published momentum research सवाल की प्रेरणा दे सकती है। इसके historical results इस universe पर लागू नहीं होते।
मैं French Mom को construction reference के रूप में इस्तेमाल करूँगा। इस sample की अपनी definition होगी।

• ऊपर बाईं ओर Factor Library catalog signals को validate नहीं करता। तीर catalog tabs और counts को दर्शाता है।
• ऊपर दाईं ओर universe preset names historical membership तय नहीं करते। तीर Tradfi 30 विकल्प को दर्शाता है।
• नीचे बाईं ओर यह generic Factor Library view matched momentum pair नहीं दिखाता। तीर category/count header को दर्शाता है।
• नीचे दाईं ओर strategy form उपलब्ध controls दिखाता है, कोई नई strategy submit नहीं हुई। तीर asset और portfolio controls को दर्शाता है।
एक सीमित Minara पायलट से शुरुआत करें
world-scale dataset बनाने से पहले, Minara से किसी named supported subset पर matched plain-versus-skip-month test माँगें।
पहले availability report माँगें: exact assets, identifiers, factor definitions, rebalance rules, dates, costs और export fields।
unconfirmed required item backtest को रोक देता है।
Factor Library ने plain 12-month, 3- और 6-month skip-one-month, और intermediate 7–12-month definitions दिखाईं।
matched plain 12-month और 12–2 pair को अभी भी verify करना बाकी है।
इसे स्थापित करने के लिए factor IDs और code की जाँच करें।

मौजूदा momentum code wrapper जाँचा जा सकता है।
12-month versus 6-month test missing 12–2 pair का विकल्प नहीं बन सकता।
custom signal के लिए supported route, inspectable code और reproducible inputs चाहिए। वरना, pair offline calculate करें।
देखे गए TradFi 30 basket में 31 मौजूदा instruments थे, जिनमें ETFs और non-U.S. listings शामिल थीं।
इसे fixed-basket interface pilot के रूप में दोबारा इस्तेमाल करें। historical global AI membership के लिए अलग data चाहिए।
long-only top five, equal weights, monthly rebalance, 1x, benchmark और costs को freeze करें। सिर्फ signal बदलें।
दोनों runs के settings, members और outputs save करें।
फिर one-way cost grid test करें, उदाहरण के लिए 0, 10, 25 और 50 basis points।
fee-off overview ने fill commissions दिखाए। यह mismatch अभी unresolved है; slippage को independently verify नहीं किया गया है।
fee switch cost model तय नहीं करता।
Codex exported holdings और returns से assumed turnover और deductions calculate करेगा। missing artifacts का मतलब है not calculated।

• ऊपर बाईं ओर saved momentum draft और request मौजूदा construction दिखाते हैं। तीर universe और portfolio controls को दर्शाता है।
• ऊपर दाईं ओर मौजूदा momentum fee और slippage settings execution को verify नहीं करते। तीर 10 bps fee और slippage settings को दर्शाता है।
• नीचे बाईं ओर मौजूदा momentum overview कोई नया run record नहीं करता। तीर headline metrics को दर्शाता है।
• नीचे दाईं ओर saved momentum fills को independently reproduce नहीं किया गया है। तीर fills और commissions को दर्शाता है।
जाँचा गया 2024–2026 window development material है। यह अब untouched holdout के रूप में काम नहीं कर सकता।
historical block को सिर्फ licensed point-in-time data के साथ reserve करें। वरना, definitions freeze करने के बाद prospective validation शुरू करें।
Minara experiment को organize करता है। दिखाया गया हर performance number अभी भी supporting evidence माँगता है।

• ऊपर बाईं ओर per-symbol results product-reported evidence हैं। तीर realized और unrealized P&L को दर्शाता है।
• ऊपर दाईं ओर मौजूदा momentum metrics historical chat metrics से अलग हैं। तीर मौजूदा headline figures को दर्शाता है।
• नीचे बाईं ओर मौजूदा saved fills का independent reproduction नहीं हुआ है। तीर fills table को दर्शाता है।
• नीचे दाईं ओर यह per-symbol table वही saved evidence दिखाता है, कोई नया run नहीं। तीर table को दर्शाता है।
एक formula की स्वतंत्र रूप से जाँच करें
offline एक छोटे check से शुरू करें: published six size-by-momentum portfolio legs से Kenneth French का monthly Mom दोबारा बनाएँ।
यह arithmetic की जाँच करता है। global AI universe और proposed portfolio को अलग validation चाहिए।
parser, date alignment, return units और long-short math की जाँच करें।
1Mom[t] = 0.5 * (SmallHigh[t] + BigHigh[t])2 - 0.5 * (SmallLow[t] + BigLow[t])
French size और prior (2–12) return का उपयोग करके छह value-weight portfolios बनाते हैं। Mom दो high prior-return portfolios का औसत निकालता है और दो low portfolios के औसत को घटाता है।
छह legs और अलग से published Mom series download करें। एक archive vintage pin करें, common months join करें, और four-leg reconstruction की published line से तुलना करें।
calculate करने से पहले published precision के आधार पर residual tolerance set करें।
match formula plumbing का समर्थन करता है।
यह security-level inputs, global AI labels, Minara history, costs या alpha को verify नहीं करता।
data library ने January 2025 release से CRSP FIZ की जगह CIZ इस्तेमाल करना शुरू किया। दोनों में monthly dividend reinvestment timing अलग है।
अलग documented comparison के बिना उन formats को “continuous” series में न जोड़ें।
हर snapshot का URL, retrieval time, format, checksum, parser version, units और license note रखें।
Data Studio build के data पर भरोसा करने से पहले उसे जाँचें
builder selected model के रूप में Claude Opus 5.5 दिखाता है। इस dashboard के लिए यही model setting capture हुई है।
global desk अभी भी बनना बाकी है। output इस्तेमाल करने से पहले मैं इसके code और data की स्वतंत्र जाँच करूँगा।
Minara app version 1.2.1 बताता है। dashboard versions की अपनी numbering होती है।
पुराने Data Studio project ने Version 1 कहा, लेकिन Bitcoin preview को Nvidia/Palantir plan के साथ जोड़ दिया।

• ऊपर बाईं ओर Data Studio home saved projects दिखाता है, verified calculations नहीं। तीर natural-language input की ओर इशारा करता है।
• ऊपर दाईं ओर पुराना Version 1 Bitcoin preview बाद की request से मेल नहीं खाता। तीर Version 1 के empty panels की ओर इशारा करता है।
• नीचे बाईं ओर पुराना Nvidia/Palantir plan यह साबित नहीं करता कि उसका preview काम किया। तीर Bitcoin requirements के साथ मिले equity goal की ओर इशारा करता है।
• नीचे दाईं ओर पुरानी data requests fail हुईं। तीर FMP history और quote 504 errors की ओर इशारा करता है।

• ऊपर बाईं ओर पुरानी settings configuration दिखाती हैं, results नहीं। तीर Financial Modeling Prep की Ready status की ओर इशारा करता है।
• ऊपर दाईं ओर पुराना code view यह साबित नहीं करता कि data retrieval काम आई। तीर Bitcoin components वाले equity title की ओर इशारा करता है।
• नीचे बाईं ओर पुराना Bitcoin-project context, नई comparison request से अलग। तीर भेजे जाने से पहले research-only dashboard prompt की ओर इशारा करता है।
• नीचे दाईं ओर पुराना Bitcoin preview एक failed stock refinement दिखाता है। तीर उस failed request की ओर इशारा करता है।
इसके Data tab ने 504 errors के साथ चार FMP requests दिखाईं। इसने working stock comparison स्थापित नहीं किया।

• ऊपर बाईं ओर पुराना Data tab चार FMP 504 errors दिखाता है। तीर उन 504 failures की ओर इशारा करता है।
• ऊपर दाईं ओर पुराना saved stock-comparison plan Bitcoin preview से मेल नहीं खाता। तीर plan के goal की ओर इशारा करता है।
• नीचे बाईं ओर stock dashboard templates उपलब्ध choices दिखाते हैं, completed studies नहीं। तीर stock और macro templates की ओर इशारा करता है।
• नीचे दाईं ओर About Minara app 1.2.1 बताता है। छोटा screenshot अपने native size में है; तीर version line की ओर इशारा करता है
मैंने real observations, timestamps और visible errors माँगते हुए एक अलग Nvidia versus Palantir research request submit की। exact request और follow-ups अलग prompt files में save हैं।
पहला build step 3/5 पर अटक गया।

• बाईं ओर saved Version 1 में quotes थे; history और correlation अभी pending थे। तीर Version 1 के quote values और source timestamps की ओर इशारा करता है।
• बीच में Version 1 quote calls ने HTTP 200 लौटाया। तीर दो HTTP 200 quote calls को हाइलाइट करता है।
• दाईं ओर history extension यहाँ अभी चल रहा था। बाद में इसने Version 2 save किया; तीर pending history panel की ओर इशारा करता है।
history extension ने Version 2 save किया। app बताता है कि build और preview checks pass हो गए।
UI 1 अप्रैल – 1 अक्टूबर 2026 coverage दिखाता है: हर symbol के लिए 127 में से 127 valid closes लौटे। दोनों price series पहली common date पर 100 से शुरू होती हैं।
UI 126 paired daily returns पर 0.1421 Pearson correlation बताता है। मैंने इसे independently reproduce नहीं किया है।
यह historical returns का वर्णन करता है। अगली चाल की भविष्यवाणी नहीं करता।

• ऊपर बाईं ओर final Version 2 UI quotes और historical prices दिखाता है। तीर Version 2 के daily-close charts की ओर इशारा करता है।
• ऊपर दाईं ओर Version 2 बताता है कि 127 closes और 126 paired returns हैं। तीर dates और 127/127 coverage rows की ओर इशारा करता है।
• नीचे बाईं ओर request history successful history responses से पहले छह HTTP 403 failures दिखाती है। तीर उन HTTP 403 failures और बाद के HTTP 200 responses की ओर इशारा करता है।
• नीचे दाईं ओर यह comparison code की शुरुआत दिखाता है, पूरी file नहीं। तीर parser और duplicate-date handling की ओर इशारा करता है।

saved Version 2 indexed prices और UI-reported correlation दिखाता है। मैंने calculation को independently reproduce नहीं किया है।
preview ने failed requests भी लिए। cumulative Data tab 18 FMP calls और छह errors दिखाता है।
छह history attempts ने 403 लौटाया, फिर दो ने HTTP 200 लौटाया। final preview request history में उन failures के साथ render हुआ।

• बाईं ओर final saved plan build complete बताता है। तीर इसके quote और history source contracts की ओर इशारा करता है।
• दाईं ओर final settings data को independently validate नहीं करते। तीर FMP readiness और one-load cadence की ओर इशारा करता है।
verified registered sources अभी भी commodity, supply-chain या news-forecast inputs नहीं देते। global pipeline अभी भी एक build plan है।
Saved strategy और import workflows की जाँच करें
saved BTC strategy और Pine examples एक और workflow दिखाते हैं जिसे जाँचना है। वे simulations और code equity study की validity स्थापित नहीं करते।

• ऊपर बाईं ओर यह Pine example global equity study से अलग है। तीर इसके sizing और cost explanation की ओर इशारा करता है।
• ऊपर दाईं ओर मौजूदा Pine cost inputs पहले के run costs को साबित नहीं करते। तीर dialog के backtest cost values की ओर इशारा करता है।
• नीचे बाईं ओर saved Pine overview एक simulation बताता है जिसे मैंने reproduce नहीं किया। तीर इसके headline results की ओर इशारा करता है।
• नीचे दाईं ओर saved Pine fills एक अलग simulation हैं, live orders नहीं। तीर पहली completed trade row की ओर इशारा करता है।

• ऊपर बाईं ओर code-import dialog एक input surface दिखाता है, validated conversion नहीं। तीर Pine/code input area की ओर इशारा करता है।
• ऊपर दाईं ओर यह saved Pine overview equity study से अलग है। तीर example के headline metrics की ओर इशारा करता है।
• नीचे बाईं ओर Pine source एक अलग saved example का है। तीर इसके code की ओर इशारा करता है।
• नीचे दाईं ओर saved trade list simulation output दिखाती है, live orders नहीं। तीर इसकी rows की ओर इशारा करता है।
Repository और data contract को pin करें
मैं छोटे से शुरू करूँगा: Python, NumPy, pandas, PyArrow, Pydantic, pytest, Ruff और एक locked uv environment।
statsmodels और Matplotlib तब तक रुकेंगे जब तक किसी report को उनकी ज़रूरत न हो। scikit-learn defined modeling stage का इंतज़ार करेगा।
panel बढ़ने पर DuckDB Parquet query कर सकता है।
छह factor series को server, vector database या autonomous agent framework की ज़रूरत नहीं है।
1quant-research-lab/2 AGENTS.md README.md pyproject.toml uv.lock3 config/ schemas/ manifests/{sources,universes,hypotheses}/4 src/qrlab/5 data/{ingest,identifiers,calendar,fx,validate}.py6 universe/{build,evidence,coverage}.py7 factors/{momentum,quality,investment_cycle}.py8 portfolio/{weights,returns,costs}.py9 validation/{splits,metrics,review}.py10 runner.py registry.py reporting.py11 tests/fixtures/ tests/test_*.py12 data/{raw,normalized}/ # Git द्वारा ignored13 runs/ # immutable run folders14 reports/
Git को code, schemas, synthetic fixtures और non-sensitive manifests मिलते हैं।
raw या licensed data Git से बाहर रहता है।
मैं source archives को byte-for-byte रखूँगा और archive के साथ हर entry का hash करूँगा।
हर normalized Parquet snapshot अपना schema version, source snapshot, currency, unit और transformation lineage रखता है।
run को pinned input चाहिए। यह latest.csv नहीं पढ़ेगा।
चार records chain को inspectable बनाते हैं।
- DataManifest source, license, format, retrieval timestamp, hash, coverage, parser और vintage record करता है।
- UniverseManifest membership rules, evidence labels, issuer-listing maps, counts, exclusions और as-of rules को freeze करता है।
- ExperimentSpec hypothesis, inputs, signal, dates, portfolio mapping, benchmarks, costs और rejection rules define करता है।
- RunManifest code commit, lockfile, input hashes, command, environment, output hashes, external calls और status record करता है।
एक अलग ReviewResult artifacts का हवाला देता है और unresolved issues सूचीबद्ध करता है।
- हर universe member के लिए मुझे issuer_id, listing_id, valid_from, valid_to, known_at, instrument_type, country, exchange, currency और source_snapshot_id चाहिए।
- हर evidence claim को publication और capture timestamps, claim text, evidence source, classification rule और reviewer भी चाहिए।
- financial values को period start/end, available_at, original currency, unit, reported value, restatement state और source चाहिए।
- returns को price या total-return method, corporate-action policy, delisting treatment, base-currency conversion और FX timestamp चाहिए।
period-end date यह नहीं बताती कि filing कब उपलब्ध हुई।
- tests available_at <= decision_at लागू करते हैं। trade knowable signal का अनुसरण करता है; target return execution के बाद शुरू होता है।
- मैं rows को listings में expand करने से पहले dates split करूँगा।
- वही decision date एक fold में रहेगा। training labels purge हो जाते हैं जब उनके return intervals validation से overlap करते हैं।
- एक numeric gap अलग horizons या calendars को cover नहीं करेगा।
Backtesting से पहले calculation और failure rules को freeze करें
हर run signals, holdings, gross returns और costs को अलग करता है।
- signals decision time पर उपलब्ध information का उपयोग करके eligible issuers को rank करते हैं।
- ties deterministic rule का पालन करते हैं।
- portfolio construction preset number of names चुनता है, weights normalize करता है, missing या halted listings को handle करता है और rejected positions record करता है।
- cost layer declared fees, turnover, spread, slippage और FX assumptions लागू करता है।
- gross returns को net performance नहीं कहा जा सकता।
global-return spec एक base currency और conversion timestamp fix करता है।
स्थानीय कुल रिटर्न (local total return) और FX रिटर्न गुणात्मक रूप से जुड़ते हैं: (1 + local_return) \ (1 + fx_return) - 1.*
मुझे वास्तविक टोटल-रिटर्न डेटा या डॉक्यूमेंट किए गए डिविडेंड और कॉर्पोरेट एक्शन चाहिए। सिर्फ “adjusted close” से गणित समझ नहीं आता।
मिसिंग डिलिस्टिंग रिटर्न पर कवरेज वॉर्निंग मिलती है। फेल हुई कंपनियाँ चुपचाप गायब नहीं हो जातीं।
- लाइसेंस प्राप्त डेटा का इस्तेमाल करने से पहले, सिंथेटिक फिक्स्चर ADR डीडुप्लिकेशन, शेयर-क्लास मैपिंग, पॉइंट-इन-टाइम लेबल बदलाव, स्थानीय छुट्टियाँ, असिंक्रोनस क्लोज़, FX कन्वर्ज़न, डिलिस्टिंग, डुप्लीकेट ऑब्ज़र्वेशन, मिसिंग फाइलिंग और पोर्टफोलियो वेट को टेस्ट करते हैं।
- French Mom फिक्स्चर साइन, वन-टाइम प्रतिशत कन्वर्ज़न, कॉमन-मंथ अलाइनमेंट, एनुअल-सेक्शन एक्सक्लूज़न और राउंडिंग बाउंड्स की जाँच करते हैं।
- उसी मेनिफेस्ट, कोड और इनपुट को दोबारा चलाएँ। न्यूमेरिक आर्टिफैक्ट्स बिल्कुल मेल खाने चाहिए।
अगर कोई हैश बदलता है, तो रन रुक जाता है।
- कोई परिणाम verified_reconstruction, not_reproduced, not_calculated, या blocked हो सकता है।
- blocked के लिए एक कारण ज़रूरी है। उदाहरणों में असमर्थित देश का इतिहास, अनसुलझा इश्यूर मैपिंग, अज्ञात करेंसी टाइमिंग, या मिसिंग मैच्ड Minara फैक्टर पेयर शामिल हैं।
- एजेंट किसी मिसिंग फील्ड को अनुमान लगाकर पार नहीं कर सकता।
- कवरेज काउंट और मिसिंगनेस रिटर्न टेबल के साथ दिखाए जाते हैं।
हर आइडिया को ट्रायल-लेजर एंट्री दें
गणना से पहले, हर आइडिया को एक वर्ज़न्ड हाइपोथिसिस मेनिफेस्ट मिलता है: आर्थिक तर्क, सटीक फॉर्मूला, आवश्यक फील्ड, उपलब्धता में देरी (availability lag), योग्य यूनिवर्स, समय सीमा (horizon), निर्माण और निष्पादन का समय, बेंचमार्क, लागत, विकास विंडो, होल्डआउट, नियोजित वेरिएंट, और अस्वीकृति के मानदंड।
लेजर हर रन को रिकॉर्ड करता है, जिसमें पार्सर फेलियर और नेगेटिव परिणाम भी शामिल हैं।
- आउटपुट देखने के बाद फॉर्मूला बदलने से एक नया मेनिफेस्ट वर्ज़न बनता है। पुराना रिकॉर्ड वहीं रहता है।
- रजिस्ट्री proposed, design_only, data_audited, implemented, challenged, independently_reviewed, research_qualified, rejected, और paper_research जैसी स्थितियों का उपयोग कर सकती है।
ये स्टेटस नाम प्रस्ताव हैं। रजिस्ट्री अभी बनी नहीं है।
- French के गणित से मेल खाने पर verified_reconstruction मिल सकता है। किसी स्टॉक मॉडल को योग्य ठहराने के लिए अलग सबूत चाहिए।
- research_qualified के लिए सोर्स लिनेज, डिटर्मिनिस्टिक कैलकुलेशन, पॉइंट-इन-टाइम चेक, फ्रोज़न वैलिडेशन, कॉस्ट ट्रीटमेंट और एक ऐसा रिव्यूअर चाहिए जो परिणाम को दोबारा बना सके।
- इससे पेपर-रिसर्च स्टेप मिलता है। यह पूँजी लगाने की अनुमति नहीं देता।
- इंफरेंस के लिए, एक ही तारीख वाले नामों को साथ रखें। क्रॉस-सेक्शनल रैंक कोरिलेशन को तारीख के हिसाब से रिपोर्ट करें; हर स्टॉक-डे को स्वतंत्र न मानें।
पोर्टफोलियो शार्प अनुमानों को अनिश्चितता अंतराल (uncertainty intervals) और सीरियल डिपेंडेंस को संभालने वाले तरीके की ज़रूरत होती है।
- होल्डआउट देखने से पहले सांख्यिकी (statistic) चुनें। रिपोर्ट करें कि कितने हाइपोथिसिस और वेरिएंट आज़माए गए।
- Two Sigma की शार्प अनुमान और हाइपोथिसिस टेस्टिंग पर चर्चा एक उपयोगी मेथड्स रेफरेंस है।
सांख्यिकीय रूप से महत्वपूर्ण परिणाम में भी सर्वाइवरशिप, स्टेल-लेबल, कवरेज या एग्जीक्यूशन की समस्याएँ हो सकती हैं।
हर टूल को वही काम दें जो वह कर सकता है
Minara रिसर्च डेस्क को व्यवस्थित करता है। मैं इसका इस्तेमाल सवालों को व्यवस्थित करने, फैक्टर और स्ट्रैटेजी सरफेस की जाँच करने, और समर्थित एसेट्स को रिकॉर्ड करने के लिए करूँगा।
- पहली हैंडऑफ़ मैनुअल होंगी।
- जब मैं अकाउंट एंटाइटलमेंट, ऑथेंटिकेशन, बिलिंग, रेट लिमिट, रिस्पॉन्स फॉर्मेट और रिसर्च-ओनली प्रॉम्प्ट को टेस्ट कर लूँ, तो बाद का कोई एडाप्टर डॉक्यूमेंट किए गए चैट API का इस्तेमाल कर सकता है।
- मौजूदा डॉक्स POST /v1/developer/chat और एक स्टेटस रूट का वर्णन करते हैं।
- वे background: true को केवल stream: false के साथ निर्दिष्ट करते हैं, requestId इडेम्पोटेंसी को डॉक्यूमेंट करते हैं, और completed स्टेटस को 24 घंटे तक बनाए रखते हैं।
उस स्टेटस की समय सीमा खत्म होने से पहले मैं स्वीकृत रिस्पॉन्स को कैश कर लूँगा।
- डॉक्यूमेंट किए गए रूट को अभी भी अकाउंट टेस्ट की ज़रूरत है। इसके जवाबों को पॉइंट-इन-टाइम मार्केट डेटा बनने से पहले जाँचना ज़रूरी है।
- Codex डिटर्मिनिस्टिक काम संभालता है। हर टास्क को एक आउटपुट, रिपॉजिटरी, मेनिफेस्ट ID, अप्रूव्ड इनपुट, निषिद्ध साइड इफेक्ट्स और स्वीकृति जाँच मिलती है।
- Codex पार्सर, नोन-आंसर टेस्ट, डेटा वैलिडेटर, रिपोर्ट और एक्सपेरिमेंट कोड लिख सकता है।
- कमज़ोर परिणाम फ्रोज़न फैक्टर को नहीं बदल सकता। बिना चलाया गया चेक पास नहीं बन सकता। सिर्फ बातों से कोई कैंडिडेट योग्य नहीं होता।
हर बदलाव एक कोड डिफ बन जाता है जो नए रन से जुड़ा होता है।
Jev टाइप्ड एविडेंस की जाँच करता है। सोर्स हैश, यूनिट, पब्लिकेशन टाइमिंग, मिसिंग-डेटा नियम, रिटर्न प्रकार और स्वतंत्र टेस्ट पहले हार्ड गेट्स से गुज़रते हैं।
फेल हुआ गेट blocked लौटाता है। Jev इसे ओवरराइड नहीं कर सकता।
- अगर आर्टिफैक्ट पास हो जाता है, तो Jev उसे needs_evidence, schema_issue, या ready_for_human_review के रूप में वर्गीकृत कर सकता है।
- मौजूदा 0.65 थ्रेशोल्ड एक प्रस्तावित राउटिंग सेटिंग है, कैलिब्रेटेड सुरक्षा सीमा नहीं।
- कम भरोसे का मतलब है दूर रहना (abstain)। अधिक भरोसे के बावजूद इंसान की समीक्षा ज़रूरी है।
- Jev सिक्योरिटीज़ को रैंक नहीं कर सकता, रिटर्न नहीं निकाल सकता, फेल हुए टेस्ट को ओवरराइड नहीं कर सकता, या किसी मॉडल को मंज़ूरी नहीं दे सकता।
Dots काम का समन्वय करता है। एक बार जब कोई अप्रूव्ड क्लाउड प्रोजेक्ट बन जाता है, तो यह स्टेटस ट्रैक कर सकता है, चेकलिस्ट बनाए रख सकता है और सीमित टास्क ब्रीफ तैयार कर सकता है।
कोड अभी भी Codex ही चलाता है।
- जब तक कोई समर्थित हैंडऑफ़ टेस्ट और सेव नहीं हो जाता, मैं Codex टास्क मैनुअल शुरू करूँगा और लौटाए गए कमिट, मेनिफेस्ट, रन ID और एविडेंस लिंक की तुलना करूँगा।
- मैं इसे एक ऐसे होस्टाइल नोट से टेस्ट करूँगा जो एजेंट का रास्ता बदलने की कोशिश करे। उसे एविडेंस फील्ड के अंदर ही रहना होगा।
इसे एक-एक चेकपॉइंट करके बनाएँ
0. सवाल को फ्रीज़ करें। टारगेट लिस्टिंग प्रकार, AI एक्सपोज़र क्लास, कैंडिडेट देश, बेस करेंसी और न्यूनतम सोर्स एविडेंस चुनें।
आउटपुट एक स्कोप डॉक्यूमेंट होगा।
रिटर्न बाद में आएँगे।
1. कवरेज ऑडिट करें। Minara के उपलब्ध स्टॉक यूनिवर्स और हर प्रस्तावित बाहरी डेटा सोर्स की सूची बनाएँ।
- देश/एक्सचेंज/तारीख/फील्ड मैट्रिक्स, लाइसेंस नोट और कमियाँ तैयार करें।
- Minara को समर्थित सबसेट तभी माना जाएगा जब इसका सरफेस और एक्सपोर्ट सत्यापित किया जा सके।
- मिसिंग हिस्टोरिकल मेंबरशिप या टोटल रिटर्न का मतलब है कि संबंधित अध्ययन के लिए not_calculated।
2. आइडेंटिटी और एविडेंस टेबल बनाएँ।
- तारीख वाले उपनाम, ADR लिंक, कैलेंडर, करेंसी और एविडेंस लेबल के साथ इश्यूर और लिस्टिंग को मैप करें।
- हाथ से जाँचे गए उदाहरणों पर डुप्लीकेट प्रिवेंशन और हिस्टोरिकल known_at लॉजिक को टेस्ट करें।
- जाँच: एक रिव्यूअर बता सके कि किसी खास तारीख पर हर एंटिटी को क्यों शामिल या बाहर किया गया।
3. ऑफ़लाइन कोर बनाएँ।
- स्कीमा, लॉकफाइल, इम्यूटेबल रन फोल्डर, हैश, फिक्स्चर डेटासेट और प्रस्तावित CLI कमांड जोड़ें: qrlab universe-audit, qrlab validate-data, qrlab run, और qrlab report।
- ये कमांड नाम प्रस्ताव हैं। ये अभी काम नहीं करते।
- जाँच: एक क्लीन चेकआउट बिना प्रोडक्ट API की के सिंथेटिक डेटा को वैलिडेट कर सके।
4. गणित को वैलिडेट करें।
- एक पिन किए गए French Mom विंटेज को फिर से बनाएँ और ग्लोबल-डेटा फिक्स्चर टेस्ट चलाएँ।
- परिणाम देखने से पहले टॉलरेंस सेट करें।
- जाँच: कोई मिक्स विंटेज या साइलेंट अलाइनमेंट नहीं, बाउंडेड रेसिड्यूअल, और पुनरुत्पादित होने वाली फाइलें।
- अगर यह फेल हो, तो not_reproduced रिकॉर्ड करें। पास करवाने के लिए बाउंड न बदलें।
5. Minara पायलट चलाएँ। पहले उपलब्धता मेनिफेस्ट माँगें।
- अगर बिल्कुल वही same-universe plain/skip पेयर और ज़रूरी सेटिंग्स जाँचने योग्य हैं, तो उन्हें फ्रीज़ करें और तुलना करें।
- अन्यथा, Minara रिसर्च को व्यवस्थित करता रहेगा। बेमेल तुलना बिना चलाई रहेगी।
- पब्लिश करने से पहले, अकाउंट आइडेंटिफायर हटा दें और हर स्क्रीनशॉट में क्या दिख रहा है, यह सटीक रूप से लिखें।
6. तीनों अध्ययनों को प्रीरजिस्टर करें।
- मोमेंटम, क्वालिटी और इन्वेस्टमेंट-साइकिल की परिभाषाओं को अलग-अलग फ्रीज़ करें।
- केवल उसी अध्ययन से शुरुआत करें जिसका यूनिवर्स, इनपुट, टाइमस्टैम्प, डिलिस्टेड-मेंबर कवरेज और लागत रिव्यू पास कर ले।
- बाकी दोनों design_only में रहेंगे। उनके परिणाम पहले टेस्ट को प्रभावित नहीं कर सकते।
7. इंटीग्रेशन सबसे अंत में जोड़ें।
- एक रिसर्च-ओनली रिक्वेस्ट से API की और लागत को सत्यापित करें।
- हाथ से लेबल किए गए मामलों पर Jev के फॉल्स-पास और अब्स्टेंशन व्यवहार को मापें।
- क्लाउड परमिशन और एक संकीर्ण टास्क कॉन्ट्रैक्ट स्पष्ट होने के बाद Dots को कॉन्फ़िगर करें।
- अगर कोई इंटीग्रेशन फेल हो जाए, तो भी ऑफ़लाइन कोर काम करता रहना चाहिए।
पहली जीत कैसी दिखेगी
पहली जीत एक यूनिवर्स ऑडिट है जिसे मैं जाँच सकूँ।
- यह दिखाता है कि क्या कवर है, हर इश्यूर क्यों योग्य है, और इतिहास कहाँ खत्म होता है।
- फिर एक फॉर्मूला चेक और छोटा प्रोडक्ट पायलट बताता है कि मैं कौन से हिस्से दोबारा बना सकता हूँ।
- उसके बाद, मोमेंटम, क्वालिटी और इन्वेस्टमेंट साइकिल को अपने अलग अध्ययन मिलते हैं।
लैब तब मज़बूत होती है जब वह मना करने का कारण बता सके। मिसिंग डेटा रिपोर्ट में एक खाली जगह छोड़ता है, कभी भी आत्मविश्वास से भरा अनुमान नहीं।
जाँचने के लिए ऐप के और फीचर्स
ये पैनल ऐप के और सरफेस और बीच के बिल्ड स्टेट्स दिखाते हैं। ग्लोबल रिसर्च सिस्टम अभी बनना बाकी है।

• बाईं ओर यह कोडिंग इंटरफ़ेस किसी दूसरे सेव किए गए प्रोजेक्ट का है। तीर explore, build, review और fix एक्शन की ओर इशारा कर रहा है।
• दाईं ओर इम्पोर्ट डायलॉग एक उपलब्ध सरफेस दिखाता है, पूरा हुआ इम्पोर्ट नहीं। तीर इमेज/वीडियो ड्रॉप एरिया की ओर इशारा कर रहा है।
नीचे दिए गए universe-audit प्रॉम्प्ट से शुरुआत करें। कोई रिटर्न नंबर तभी दिलचस्प बनता है जब कोई और उसे दोबारा बना सके।
पहली छह रिक्वेस्ट जो मैं लैब को दूँगा
ये छह प्रॉम्प्ट क्रम से चलाएँ। हर आर्टिफैक्ट अगले को सीमित करता है, परफॉर्मेंस से पहले कवरेज और एविडेंस की जाँच होती है। मैं हर सटीक प्रॉम्प्ट को उसके मेनिफेस्ट और रन ID के साथ सेव करूँगा।
1. यूनिवर्स ऑडिट
1ग्लोबल लिस्टेड AI इक्विटीज़ के लिए एक प्रस्तावित यूनिवर्स स्कोप बनाएँ। सिर्फ टिकर की सूची न लौटाएँ।23इश्यूर को लिस्टिंग से अलग करें और common-share/ADR कोर, बाहर रखे गए इंस्ट्रूमेंट प्रकार, देश और एक्सचेंज कवरेज से जुड़े सवाल, तथा डायरेक्ट AI एक्सपोज़र, सप्लायर्स/इनेबलर्स, और वॉचलिस्ट-ओनली दावों को वर्गीकृत करने के लिए ज़रूरी एविडेंस को परिभाषित करें।45वर्तमान और ऐतिहासिक सदस्यता के लिए जिन सोर्स और फील्ड की ज़रूरत होगी, उनकी सूची बनाएँ। हर अज्ञात चीज़ को चिह्नित करें। मौजूदा विवरण से पूर्ण ग्लोबल कवरेज का अनुमान न लगाएँ या ऐतिहासिक लेबल न दें।67केवल एक वर्ज़न्ड UniverseManifest ड्राफ्ट और कवरेज-ऑडिट चेकलिस्ट आउटपुट करें; बैकटेस्ट न करें।
2. वैल्यू-चेन एविडेंस
1केवल दी गई तारीख वाली फाइलिंग और सोर्स डॉक्यूमेंट का उपयोग करके, हर कैंडिडेट इश्यूर को प्रस्तावित AI वैल्यू-चेन टैक्सोनॉमी से मैप करें।23हर लेबल के लिए, समर्थक एविडेंस को उद्धृत करें या खोजें, डॉक्यूमेंट की तारीख और पब्लिकेशन टाइमस्टैम्प, बिज़नेस सेगमेंट, इश्यूर/लिस्टिंग आइडेंटिफायर, सोर्स हैश, लेबल नियम और रिव्यूअर स्टेटस रिकॉर्ड करें।45प्रकट किए गए डायरेक्ट AI रेवेन्यू, पहचाने जा सकने वाले सप्लायर्स/इनेबलर्स, और केवल मैनेजमेंट-क्लेम या कमज़ोर एविडेंस में अंतर करें।67अगर एविडेंस गायब है या आपस में टकराता है, तो unknown/watchlist का उपयोग करें और कारण बताएँ। डॉक्यूमेंट के सार्वजनिक होने से पहले के लिए ऐतिहासिक लेबल न बनाएँ।
3. तीन हाइपोथिसिस
1ऑडिट किए गए यूनिवर्स के लिए तीन अलग-अलग, प्री-रजिस्टर होने योग्य रिसर्च स्पेक का ड्राफ्ट बनाएँ: (a) साधारण 12-महीने बनाम 12–2 मोमेंटम, (b) पॉइंट-इन-टाइम अकाउंटिंग इनपुट वाला एक छोटा क्वालिटी कंपोज़िट, और (c) एक AI इन्वेस्टमेंट-साइकिल माप जो गाइडेंस या प्रतिबद्धताओं से वास्तविक कैपेक्स को अलग करता है।23हर एक के लिए फॉर्मूला, अपेक्षित दिशा, उपलब्धता में देरी, योग्य सैंपल, बेंचमार्क, समय सीमा, कंट्रोल, वेरिएंट, लागत, अस्वीकृति नियम और होल्डआउट बताएँ।45परफॉर्मेंस का अनुमान न लगाएँ या हाइपोथिसिस को मिलाकर एक स्कोर न बनाएँ। जब कोई ज़रूरी फील्ड या इतिहास उपलब्ध न हो, तो किसी भी स्पेक को design_only चिह्नित करें।
4. Minara समर्थित-सबसेट तुलना
1कोई स्ट्रैटेजी चलाने से पहले, रिपोर्ट करें कि इस Minara अकाउंट में कौन सी ग्लोबल स्टॉक लिस्टिंग, फैक्टर परिभाषाएँ, तारीखें, पोर्टफोलियो सेटिंग, कॉस्ट सेटिंग और एक्सपोर्ट फील्ड वास्तव में समर्थित हैं।23मैच्ड plain-12-month बनाम 12–2 तुलना का प्रस्ताव तभी दें जब दोनों फॉर्मूले एक ही सत्यापित यूनिवर्स का उपयोग करें और सिग्नल के अलावा हर सेटिंग समान हो।45अगर same-lookback पेयर, पॉइंट-इन-टाइम सदस्यता, या ज़रूरी आउटपुट उपलब्ध नहीं है, तो रुक जाएँ और not_calculated लौटाएँ। कोई दूसरा लुकबैक न रखें या असत्यापित परफॉर्मेंस को एविडेंस के रूप में न बताएँ।
5. Codex इंजीनियरिंग टास्क
1quant-research-lab रिपॉजिटरी में केवल अप्रूव्ड ऑफ़लाइन यूनिवर्स-ऑडिट और डेटा-वैलिडेशन माइलस्टोन को लागू करें।23अप्रूव्ड UniverseManifest और DataManifest से शुरुआत करें।45सिंथेटिक फिक्स्चर का उपयोग करें, जब तक कि लाइसेंस प्राप्त सोर्स स्नैपशॉट स्पष्ट रूप से न दिए गए हों। इश्यूर/लिस्टिंग डीडुप्लिकेशन, तारीख वाले AI एविडेंस लेबल, कवरेज काउंट, टाइमस्टैम्प और करेंसी/कैलेंडर चेक, डिटर्मिनिस्टिक टेस्ट और इम्यूटेबल रन आउटपुट जोड़ें।67बाहरी API कॉल न करें, फ्रोज़न हाइपोथिसिस न बदलें, लाइसेंस प्राप्त डेटा न लाएँ, ट्रेड जनरेट न करें, या यह दावा न करें कि ग्लोबल कवरेज पूरा है। डिफ, कमांड, टेस्ट आउटपुट, हैश, blocked फील्ड और इंसान द्वारा समीक्षा के लिए अगला निर्णय लौटाएँ।
6. संदेहपूर्ण ऑडिट
1सारांश पर निर्भर हुए बिना फ्रोज़न मेनिफेस्ट, सोर्स फाइलें, कोड डिफ, टेस्ट आउटपुट और रन आर्टिफैक्ट की समीक्षा करें।23यूनिवर्स मैपिंग और किसी भी परफॉर्मेंस दावे को गलत साबित करने की कोशिश करें।45डुप्लीकेट इश्यूर/ADR, सर्वाइवरशिप, AI-लेबल लुकअहेड, मिसिंग देश, असत्यापित डेटा अधिकार, पुरानी करेंसी, असिंक्रोनस क्लोज़, FX टाइमिंग, कॉर्पोरेट एक्शन, डिलिस्टिंग, कॉस्ट धारणाएँ, टेस्ट लीकेज और प्रीरजिस्टर्ड प्लान से हर बदलाव की जाँच करें।67सटीक आर्टिफैक्ट पाथ और हैश का हवाला दें।89किसी चीज़ को ठीक या दोबारा न चलाएँ। हर ज़रूरत के लिए pass, blocked, या not_reproduced लौटाएँ, उल्टे उदाहरणों की सूची दें, और बताएँ कि यह परिणाम क्या साबित नहीं करता।
सोर्स नोट्स
• Minara, Agent API अवलोकन और API-key एंडपॉइंट रेफरेंस। प्रोडक्ट एंटाइटलमेंट और अकाउंट एक्सेस अभी भी अनटेस्टेड हैं।
• Kenneth French, Monthly Momentum Factor निर्माण और Data Library विंटेज और CRSP FIZ/CIZ नोट्स।
• AQR, Fact, Fiction, and Momentum Investing।
• Two Sigma, Sharpe ratio estimation and hypothesis testing।
• TypeSafe, Jev और typed decision outputs; OpenAI, Introducing Dots।
• DuckDB, Parquet documentation; pytest, documentation।





