Der Capstone richtet die Linse auf das Lab selbst. Eine Maschine, die das eigene Archiv nach Korrelationen durchwühlt, findet jeden Tag eine — und kann Signal nicht von Rauschen unterscheiden. Genau das ist der Großteil „datengetriebener Erkenntnis": Muster-Schürfen ohne Urteil. Das Instrument fabriziert die Erkenntnis und entlarvt sie im selben Atemzug — auch die eigene.
Eigenes Protokoll-Archiv (zwölf offene Tagesquellen). Kein neuer Abruf — es nutzt ausschließlich die bereits committeten Tageswerte des Protokolls (NOAA, USGS, EZB, GDELT u. a.).
https://github.com/frankbueltge/frankbueltge.de/tree/main/src/content/protokoll
Bei jedem Build neu, mit dem wachsenden Archiv. Derzeit nur 11 gemeinsame Tage — bewusst kurz: je weniger Punkte, desto leichter das Scheinmuster.
Pearson-Korrelation über alle 28 Paare variierender Metriken; die stärkste ist der „Fund". Ein Permutationstest (jede Reihe 5.000-mal mischen, max|r| neu suchen) liefert die False-Discovery-Rate. Deterministischer Seed aus dem Datum. numpy, kein LLM.
Kein Abruf (nutzt das vorhandene Archiv), ein Permutationslauf in numpy, kein LLM. Die Site ist statisch.