Boolsai Signals

单个域名的逐周 wayback 差异时间线。返回每个检测到的堆栈更改（添加/移除）及周日期。使用此工具查看供应商在历史上何时被添加/移除，例如“adobe.com 何时添加了 Segment？”

深入分析单个事件：完整差异（添加/删除的值）、周围价格走势（-3 天至 +14 天）、预测与实际 α、指向 wayback 比较的链接。使用此工具调查由 find_signals 或 recent_events 标记的特定事件。

将域名的历史 wayback 快照批量采集到我们的索引中。当您需要尚未采集的域名的回测历史时（即 wayback_backtest / domain_timeline 返回无数据），使用此工具。访问 CDX → 每周采样 → 通过 intel.boolsai.ai 并行扫描最多 50 个快照 → 插入 wayback_intel_profiles。采集完成后，您可以立即对该域名调用 wayback_backtest 或 domain_timeline。成本：约 30-60 秒墙钟时间，约 50 次 intel 扫描。

自动模式发现 — 扫描 event_type × detector × diff_field × severity 组合，并返回具有最强前瞻回报特征（相对于 SPY 的 α、正收益率百分比、n）的组合。当您还没有具体假设时使用此工具。按 +7D 的 α 降序返回。通过 min_n 过滤以设置样本量下限。

实时信号流：最近 N 天（默认 7 天）内触发的事件。返回每个事件及其基于事件类型历史表现的预测 α 范围。使用此工具来揭示“我现在应该关注什么？”

通过 Wayback Machine 扫描某个历史日期上的 URL。使用 intel.boolsai.ai 对 wayback 包装的 URL 进行扫描。返回与 Boolsai Scan 相同的 JSON 结构，但针对历史快照。在调查供应商何时被添加/移除时使用。

并排比较两个信号模式。例如“在实时数据集上，PRICING_TIERS_ADDED 与 VENDORS_DETECTED_CHANGED 相比如何？”返回每个信号的 α、正收益率百分比、样本量、最差/最佳交易，以及差异。纯 D1，快速。

一次性跨信号扫描。同时计算 event_type、detector、diff_field、severity 和 co_occurrence 维度上的 α-vs-SPY 统计量 — 在单个响应中返回完整全景。当您想查看信号所在位置而不必多次调用 find_signals 时，首先使用此工具。无状态、纯 D1、无速率限制风险，响应约 1 秒。按参数集缓存，重复查询低于 100 毫秒。

为任意过滤器表达式计算 α 统计量。使用此工具测试特定假设（例如“企业 SaaS 股票上的 tier_count_changed”或“发生在星期一的严重性 5 事件”）。返回 n、平均值/中位数原始收益和 +1/+3/+7 天的 α 收益、正收益率百分比以及最大亏损交易。

单个股票代码上触发的所有事件，以及价格走势时间线。使用此工具调查一家公司的模式（例如“显示我们在 NFLX 上捕获的所有内容”）。

为智能体提供方向：总事件数、股票代码、日期范围、顶级事件类型、顶级检测器、价格覆盖范围、SPY 基准状态。开始研究时首先调用此工具。返回计数，使智能体能够在深入之前推理样本量。

在 WAYBACK 历史事件数据集（2 年以上，13K 事件）上运行以 SPY 为基准的回测，而不是最近的实时事件数据集（2 个月，1.7K 事件）。更大的样本量以获得统计置信度。按 change_type / key_path / domain 分组。