ریاضیات و آمار عمومی
Methods for cross-domain on the Julia and TypeScript compute planes.
38 capabilities
26 of 38 have a bound kernel or engine. States are shown as the registry records them; a request fails closed wherever an adapter, specialist model or governed data is still missing.
| روش | Capability ID | وضعیت | اجرا روی |
|---|---|---|---|
| Robust Distribution | risk.capability.universal-mathematics-statistics.robust.distribution.v1 |
Reference implementation | Julia · frontier_risk_math.robust_distribution |
| Empirical Distribution | risk.capability.universal-mathematics-statistics.empirical.distribution.v1 |
Reference implementation | Python · stats.empirical_distribution |
| Bayesian Updating | risk.capability.universal-mathematics-statistics.bayesian.updating.v1 |
Reference implementation | Julia · frontier_risk_math.beta_binomial |
| Hierarchical Bayesian | risk.capability.universal-mathematics-statistics.hierarchical.bayesian.v1 |
Adapter required | – |
| Extreme Value | risk.capability.universal-mathematics-statistics.extreme.value.v1 |
Reference implementation | – |
| Tail Risk | risk.capability.universal-mathematics-statistics.tail.risk.v1 |
Reference implementation | Python · tail.pot_gpd |
| Copula Dependency | risk.capability.universal-mathematics-statistics.copula.dependency.v1 |
Adapter required | – |
| Tail Dependence | risk.capability.universal-mathematics-statistics.tail.dependence.v1 |
Adapter required | Python · dependence.tail_empirical |
| Monte Carlo | risk.capability.universal-mathematics-statistics.monte.carlo.v1 |
Reference implementation | Python · simulation.monte_carlo |
| Latin Hypercube | risk.capability.universal-mathematics-statistics.latin.hypercube.v1 |
Reference implementation | Python · sampling.latin_hypercube |
| Importance Sampling | risk.capability.universal-mathematics-statistics.importance.sampling.v1 |
Reference implementation | Python · sampling.importance |
| Sequential Monte Carlo | risk.capability.universal-mathematics-statistics.sequential.monte.carlo.v1 |
Adapter required | – |
| Kalman Filter | risk.capability.universal-mathematics-statistics.kalman.filter.v1 |
Adapter required | – |
| Extended Kalman | risk.capability.universal-mathematics-statistics.extended.kalman.v1 |
Adapter required | – |
| Unscented Kalman | risk.capability.universal-mathematics-statistics.unscented.kalman.v1 |
Adapter required | – |
| Particle Filter | risk.capability.universal-mathematics-statistics.particle.filter.v1 |
Adapter required | – |
| Markov Chain | risk.capability.universal-mathematics-statistics.markov.chain.v1 |
Adapter required | Python · markov.transition |
| Hidden Markov | risk.capability.universal-mathematics-statistics.hidden.markov.v1 |
Adapter required | – |
| Change Point | risk.capability.universal-mathematics-statistics.change.point.v1 |
Reference implementation | Python · change.cusum |
| Anomaly Detection | risk.capability.universal-mathematics-statistics.anomaly.detection.v1 |
Reference implementation | Python · anomaly.robust_mad |
| Survival Analysis | risk.capability.universal-mathematics-statistics.survival.analysis.v1 |
Adapter required | Python · survival.kaplan_meier |
| Reliability | risk.capability.universal-mathematics-statistics.reliability.v1 |
Adapter required | Python · reliability.weibull |
| Fault Tree | risk.capability.universal-mathematics-statistics.fault.tree.v1 |
Adapter required | – |
| Event Tree | risk.capability.universal-mathematics-statistics.event.tree.v1 |
Adapter required | – |
| Bayesian Network | risk.capability.universal-mathematics-statistics.bayesian.network.v1 |
Adapter required | – |
| Information Theory | risk.capability.universal-mathematics-statistics.information.theory.v1 |
Reference implementation | Python · information.mutual_information |
| Entropy and Concentration | risk.capability.universal-mathematics-statistics.entropy.and.concentration.v1 |
Reference implementation | Julia · frontier_risk_math.concentration |
| Correlation | risk.capability.universal-mathematics-statistics.correlation.v1 |
Reference implementation | Python · stats.correlation |
| Regression | risk.capability.universal-mathematics-statistics.regression.v1 |
Adapter required | Python · regression.ols |
| Gaussian Process | risk.capability.universal-mathematics-statistics.gaussian.process.v1 |
Adapter required | Python · gaussian_process.rbf |
| Spatial Statistics | risk.capability.universal-mathematics-statistics.spatial.statistics.v1 |
Adapter required | Python · spatial.morans_i |
| Geostatistics | risk.capability.universal-mathematics-statistics.geostatistics.v1 |
Adapter required | Python · geostatistics.ordinary_kriging |
| Bootstrap | risk.capability.universal-mathematics-statistics.bootstrap.v1 |
Reference implementation | Python · stats.bootstrap_mean_ci |
| Global Sensitivity | risk.capability.universal-mathematics-statistics.global.sensitivity.v1 |
Connected | Python · sensitivity.sobol_outputs |
| Shapley Sensitivity | risk.capability.universal-mathematics-statistics.shapley.sensitivity.v1 |
Adapter required | Python · sensitivity.shapley_coalitions |
| Optimisation under Uncertainty | risk.capability.universal-mathematics-statistics.optimization.under.uncertainty.v1 |
Adapter required | Python · optimization.robust_minimax |
| Multi-Criteria Decision | risk.capability.universal-mathematics-statistics.multi.criteria.decision.v1 |
Adapter required | Python · decision.weighted_mcda |
| Real Options | risk.capability.universal-mathematics-statistics.real.options.v1 |
Adapter required | Python · decision.real_option_binomial |
Methods, data and supports
- Method families
- robust statistics, Bayesian inference, extreme value, Monte Carlo, copula dependence, stochastic process, time series, change detection, survival reliability, spatial statistics, geostatistics, optimisation, decision analysis, information theory
- Domains
- cross-domain
- Compute planes
- Julia, TypeScript
- Source classes
- governed-observations, sealed-risk-data-cut
- Spatial supports
- point, object, grid, region, network
- Temporal supports
- instant, series, window, scenario
Propose a method
New methods are registered with a stable ID and a hand-derived golden test.
وضعیت
روششناسی، ساختار و تعاریف The Global Risks Index پیشنویس کاری مقدماتی (2026) است که برای بررسی و اظهارنظر منتشر شده و برای اجرا نیست. هیچ مقداری نمایش داده نمیشود تا ویراستی از یک برش شواهد تحت حکمرانی منتشر شود؛ آنگاه مقادیر همراه با بازهها، ردهها، منابع و مسیر اصلاح خود ارائه میشوند. شبیهسازها روشهای منتشرشده را بر روی اعدادی که شما برمیگزینید اجرا میکنند و هرگز مقداری از NXS-GRX نشان نمیدهند.
آنچه NXS-GRX نیست
NXS-GRX اطلاعات پژوهشی و تحلیلی ریسک است. رتبهبندی اعتباری یا ESG نیست و از هیچ مقیاس رتبهبندی استفاده نمیکند، شاخص مرجع ابزارهای مالی نیست، آمار رسمی نیست، هشدار اضطراری یا طبقهبندی رسمی نیست و توصیه نیست. نباید برای ارزیابی اشخاص حقیقی به کار رود. طبقههای ریسک بازههایی روی یک مقیاس منتشرشدهاند، هرگز رتبهبندی کشورها یا افراد نیستند.
نهادها و منابع
The Nexus Consortium is stewarded by three independent not-for-profit institutions: The Global Centre for Risk and Innovation (GCRI), through GCRI US in Washington, DC and GCRI Canada in Ontario, with GCRI Canada as Lead Institution, Consortium Secretariat and lead contracting organisation; The Global Risks Forum (GRF); and The Global Risks Alliance (GRA). Technology, infrastructure and service providers work with the Consortium at arm’s length under written agreements, like every other external party in the public-private-planet model, and hold no role in its stewardship.
هر مقدار انتساب منابع خود را در بر دارد و آن منابع پروانههای خود را حفظ میکنند. نامهای بیرونی تنها برای میانکنشپذیری ذکر میشوند. متون نگاشتهٔ Nexus برای انتشار با پروانهٔ CC BY 4.0 در نظر گرفته شدهاند.
Avis en français
La méthodologie et les définitions du NXS-GRX sont un projet de travail préparatoire (2026). Le NXS-GRX est une information de recherche et d’analyse des risques : ni notation, ni indice de référence financier, ni statistique officielle, ni alerte, ni conseil. Les classes de risque sont des bandes sur une échelle publiée, non des classements.