Vision Foresight Scenarios Projection Engine

Scenarios — Projection Engine Sub-skill (INTERNAL)

출처: Glenn & TFG V3.0 19장 Section III TFG Development + Section V TIA·Battelle·Z_Punkt verbatim.

본 sub-skill은 vision-foresight-scenarios 마스터의 INTERNAL component이며 6번째 단계다. 사용자 직접 호출 금지.

1. AI Agent 역할 — Projection Engineer

당신은 Scenarios Projection 전문가다. TFG TIA-integrated projection으로 각 scenario별 key measures trajectory 산출.

핵심 약속:

• validator.py + monte_carlo.py가 결정론적으로 처리하는 항목은 LLM이 재추론하지 않는다
• 모든 수치 결과는 monte_carlo.py 출력을 인용한다
• Internal consistency는 monte_carlo.py의 구조적 보장(단일 probability matrix 사용)으로 달성한다

2. PDF 원전 (verbatim)

"Project the key measures. Trend Impact Analysis (TIA) is a useful technique for projecting the key measures. Briefly, the historical data for each of the measures is projected using time-series methods. The events, expressed probabilistically, are combined with the extrapolation using Monte Carlo methods to produce a new median forecast and a range of uncertainty. Since events within a scenario impact several measures wherever they are used, they have the same probability; thus, internal consistency is promoted." (TFG Development)

"various quantitative forecasting methods, such as trend impact analysis (TIA), have been used in conjunction with scenarios. A late 1980s scenario study by Battelle utilized a software program to determine how the occurrence of each outcome would affect the a priori probabilities of other outcomes." (Section V)

"scenarios are presented in a descriptive manner... but are also linked each to the level of quantitative extrapolations, for example market size estimates, growth and changes in customer groups, or prices of resources etc." (Z_Punkt, Section V)

3. 입력 포맷 명세

본 sub-skill은 vision-foresight-scenarios-key-measures-events로부터 다음 JSON 구조를 handoff로 수신한다. 이 포맷을 projection_input.json으로 저장해 validator.py에 전달한다.

필수 최상위 키

{
  "key_measures": [...],
  "events": [...],
  "probability_matrix": {...},
  "scenarios": ["Scenario A", "Scenario B", "Scenario C", "Scenario D"],
  "time_horizon": {
    "start_year": 2026,
    "end_year": 2040
  },
  "monte_carlo_runs": 1000
}

key_measures 구조 (KME sub-skill에서 전달 + 본 sub-skill이 historical_data 추가)

{
  "id": "KM01",
  "name": "GDP Growth Rate",
  "unit": "%/year",
  "current_value": 2.3,
  "historical_data": [
    {"year": 2000, "value": 4.2},
    {"year": 2005, "value": 3.1},
    {"year": 2010, "value": 2.5},
    {"year": 2015, "value": 2.9},
    {"year": 2020, "value": -3.4},
    {"year": 2025, "value": 2.3}
  ]
}

• historical_data: 본 sub-skill Step 2(VRMP cascade)에서 추가. 최소 2개, 권장 5-30개 데이터 포인트.
• 데이터 없으면 historical_data: [] — monte_carlo.py가 constant baseline으로 fallback.

events 구조 (KME 전달 + 본 sub-skill이 TIA params 추가)

{
  "id": "E01",
  "name": "AGI Announced by Major Lab",
  "impacts": ["KM01", "KM02"],
  "impact_direction": "+",
  "impact_magnitude_pct": 20.0,
  "tia_params": {
    "time_to_first_impact": 1,
    "time_to_max_impact": 3,
    "time_to_steady_state": 8,
    "steady_state_magnitude_pct": 10.0
  }
}

TIA 5 parameters (TIA V3.0 Ch08 verbatim):

• time_to_first_impact (T_F): event 발생 후 영향이 처음 시작되기까지의 년수. T_F=0이면 발생 직후 시작.
• time_to_max_impact (T_M): event 발생 후 최대 영향에 도달하는 년수. T_F ≤ T_M.
• time_to_steady_state (T_S): event 발생 후 정상 상태 영향이 유지되는 년수. T_M ≤ T_S.
• impact_magnitude_pct (M_L): 최대 영향 크기 (baseline 대비 %). 양수. default: 10.
• steady_state_magnitude_pct (M_S): 정상 상태 영향 크기 (%). default: M_L의 50%.

TIA 파라미터 부재 시: validator.py가 WARN 출력, monte_carlo.py가 default(T_F=1, T_M=3, T_S=10, M_S=50%·M_L) 적용.

KME handoff에 impact_magnitude_pct 없음: 본 sub-skill이 추가 필수.

probability_matrix

{
  "E01": {"Scenario A": 0.7, "Scenario B": 0.2, "Scenario C": 0.9, "Scenario D": 0.4},
  "E02": {"Scenario A": 0.1, "Scenario B": 0.8, "Scenario C": 0.05, "Scenario D": 0.6}
}

내부 일관성 구조적 보장:

TFG verbatim: "events within a scenario impact several measures wherever they are used, they have the same probability" → probability_matrix에 event-scenario pair당 정확히 하나의 P 값이 저장됨. → monte_carlo.py가 trial마다 event를 한 번 sampling하고 해당 event가 impacts하는 모든 measure에 동일 occurrence를 적용. → 동일 P(E|S)가 모든 measure에 구조적으로 강제됨. LLM의 재추론 불필요.

엣지 케이스 처리

4. 6-Step Pipeline

Step 1 — 입력 확인 + TIA 파라미터 보완

KME sub-skill으로부터 받은 handoff를 §3 포맷으로 정리한다.

KME handoff에 없는 항목 — 본 sub-skill이 추가:

1. impact_magnitude_pct — 이벤트별 최대 영향 크기
2. tia_params — TIA V3.0 Ch08 5 parameters

추가 방법: 각 이벤트의 성격, focal issue domain, 유사 사례 TIA 문헌을 참고해 전문가 판단으로 설정. 불확실 시 default 사용하고 validator.py WARN 허용.

cross-skill foresight-trend-impact-analysis (8장) — TIA 파라미터를 더 정밀하게 도출하려면 이 sub-skill을 선택적으로 호출.

Step 2 — Historical Data 수집 (VRMP L1-L6 cascade)

각 key measure에 대해 10-30년 시계열 데이터를 수집한다.

For each key measure KM_i:
  L1 WebSearch: "[measure name] historical data [unit] [2000-2025]"
  L2 WebSearch: "[measure name] trend [country/region] [year range]"
  L3 WebFetch: World Bank / IMF / OECD / IEA / government stats
  L4 WebSearch: "[measure name] forecast extrapolation recent study"
  L5 WebSearch: "[focal issue domain] [measure name] annual statistics"
  L6 WebFetch: academic paper or authoritative report with time-series
  
  Collect: [{year: Y, value: V}, ...] — minimum 2 points, aim for 5-20
  If no data found after L6: historical_data = [] → constant baseline

수집된 데이터를 historical_data 배열로 §3 포맷에 추가한다.

주의 — 정상성(stationarity) 이슈:

• GDP 성장률, 인플레이션 같은 변화율 변수는 추세가 없는 평균 회귀 시계열일 수 있음
• 이 경우 polynomial/linear fit보다 최근 3-5년 평균이 더 좋은 baseline
• R² < 0.5인 경우 주석으로 표시하고 current_value 앵커링 적용 (monte_carlo.py 자동 처리)

Step 3 — validator.py 호출 (입력 검증)

SKILL_DIR="/Users/cys/Desktop/CYSjavis/cys-claude-vision-coaching-skills/skills/vision-foresight-scenarios-projection-engine"
python3 "$SKILL_DIR/validator.py" --input /tmp/projection_input.json

validator.py 검증 항목 (결정론, LLM 재추론 금지):

• 필수 키 존재 여부 (key_measures, events, probability_matrix, scenarios, time_horizon, monte_carlo_runs)
• time_horizon 논리 (start_year < end_year, span ≥ 5년)
• P(E|S) ∈ [0.0, 1.0]
• cross-scenario probability spread ≥ 0.05 per event
• impact_direction ∈ {"+", "-", "+/-"}
• impact_magnitude_pct > 0
• tia_params 논리 순서 (T_F ≤ T_M ≤ T_S)
• probability_matrix 완전성 (모든 event × 모든 scenario 커버)
• Internal consistency (모든 scenario가 동일한 event set 커버)

ERROR 발생 시: 해당 필드를 수정 후 재검증. validator 오류를 자연어로 무시하거나 "대략 맞다"고 판단하는 것 금지.

WARN만 있는 경우: 진행 가능. WARN 내용을 출력 섹션에 명시.

Step 4 — monte_carlo.py 호출 (TIA + MC 실행)

python3 "$SKILL_DIR/monte_carlo.py" \
  --input /tmp/projection_input.json \
  --output /tmp/mc_results.json \
  --seed 42

monte_carlo.py 처리 흐름 (결정론, LLM 재추론 금지):

1. Baseline 곡선 적합 (각 key measure):
   - Linear: v = slope × year + intercept
   - Polynomial2: v = a×(year-y0)² + b×(year-y0) + c
   - Exponential: v = a × exp(m × year)  [양수 데이터만]
   - R² 자동 비교 → 최고 R² 방법 선택
   
   TIA V3.0 Ch08 verbatim: "7 curve types" 중 위 3가지 구현
   (ARIMA, Logistic, Inverse_v, Inverse_t는 향후 확장)
   
   앵커링 규칙: R² < 0.80 AND start_year 예측치가 current_value에서 >20% 이탈 시
   → anchor_offset = current_value - predicted_at_start 적용
   → 정상성 변수(GDP 성장률 등) 왜곡 방지

2. Monte Carlo 1000 runs per scenario:
   
   For each scenario S:
     For run i in 1..1000:
       # Event sampling (ONCE per event per trial — TFG 내부 일관성 구조적 보장)
       For each event E:
         P = probability_matrix[E.id][S]
         event_occurrence_year = first year in projection window where random() < P
         # (or None if event never triggers this trial)
       
       # Measure trajectory
       For each measure KM:
         For each year Y:
           baseline = fitted_curve(Y)
           cumulative_impact = 0
           For each event E that impacts KM:
             if E triggered in year E_occ ≤ Y:
               frac = TIA_impact_curve(E, E_occ, Y)  # 0→M_L at T_M→M_S at T_S
               directed = frac × direction(E, S)     # deterministic +/- sign
               cumulative_impact += directed
           adjusted[Y] = baseline × (1 + cumulative_impact)
       
       Save trial trajectory
     
     # CI 계산 (각 measure × 각 year)
     median = percentile(all_trials, 50)
     P10    = percentile(all_trials, 10)  # 80% CI 하한
     P90    = percentile(all_trials, 90)  # 80% CI 상한
     P5     = percentile(all_trials,  5)  # 90% CI 하한
     P95    = percentile(all_trials, 95)  # 90% CI 상한

3. Internal consistency audit (monte_carlo.py 내장):
   multi-impact events (impacts ≥2 measures) 목록화
   per event-scenario pair: P(E|S) 단일 값 확인 (구조적 보장)

CI 정의:

• 80% CI = P10–P90: 표준 불확실성 범위. TFG verbatim "range of uncertainty"의 정량화.
• 90% CI = P5–P95: 극단 불확실성. 요청 시 추가 출력.

Step 5 — validator.py --output 호출 (MC output 검증)

python3 "$SKILL_DIR/validator.py" --output /tmp/mc_results.json

검증 항목:

• projections 구조 (scenarios × measures × years 완전성)
• CI 논리 순서: P10 ≤ median ≤ P90 (위반 시 ERROR)
• internal_consistency_audit 존재 여부

Step 6 — 내부 일관성 감사 결과 확인

monte_carlo.py 출력의 internal_consistency_audit 섹션을 읽어 출력에 포함한다.

TFG verbatim 강제:
"events within a scenario impact several measures wherever they are used,
 they have the same probability; thus, internal consistency is promoted"

구조적 보장 메커니즘:
- probability_matrix에 event-scenario pair당 정확히 1개 P 값 저장
- monte_carlo.py가 trial마다 event를 1회 sampling
- 동일 occurrence decision이 해당 event의 모든 impacts 대상 measure에 적용
- → 모든 multi-impact event의 내부 일관성이 수학적으로 보장됨

5. 결정론적 Python 구성요소

결정론 환원 불가 항목 (LLM 처리 허용):

• Historical data 수집 (WebSearch/WebFetch) — 외부 정보 조회
• TIA 파라미터 추정 (전문가 판단) — 학계 표준 TIA 사례 참조
• impact_magnitude_pct 추정 — TIA Ch08 사례 수준 참조
• 출력 서술 (quantitative 수치 해석) — LLM의 자연어 역할

6. 출력 양식

주의: 모든 수치는 monte_carlo.py 출력에서 직접 인용. LLM이 수치를 임의 생성하거나 반올림으로 수정하는 것 금지.

§ Projections per Scenario (vision-foresight-scenarios-projection-engine)

Method: TIA-integrated Monte Carlo | Baseline: [linear/polynomial2/exponential] (R²=[값]) CI: 80% (P10–P90) | 90% (P5–P95) on request Cross-skill: foresight-trend-impact-analysis · foresight-statistical-modeling MC runs: 1,000 per scenario | Random seed: 42

Validator Input Result

{"valid": true/false, "errors": [...], "warnings": [...]}

Baseline Fit Report

Per-Measure Trajectories per Scenario

[measure별 테이블 — monte_carlo.py 출력 직접 인용]

형식: median (P10–P90) — 모두 동일 소수점 자리수 사용

연도 선택: start_year + 0, +5, +10, +전체 span 4개 이상 표시

Z_Punkt 정량 요약 (Z_Punkt Section V verbatim 구현)

"scenarios are linked each to the level of quantitative extrapolations, for example market size estimates, growth and changes in customer groups, or prices of resources"

각 셀: median (P10–P90) 포함

Internal Consistency Audit

monte_carlo.py internal_consistency_audit 출력 직접 인용:

Multi-impact events checked: [N]
Overall consistent: true/false
Mechanism: [구조적 보장 설명]

[Per event-scenario: P(E|S) 단일 값 확인 — multi-impact events만]

Validator Output Result

{"valid": true/false, "errors": [...], "warnings": [...]}

WARN 목록 (있는 경우)

[validator.py WARN 전문 인용 + TFG/TIA 출처 명시]

→ vision-foresight-scenarios-narrative-writing

7. 엣지 케이스 처리

7a. Historical Data 없음

historical_data = []  →  monte_carlo.py: constant baseline at current_value
Baseline Fit Report: "no historical data — constant baseline at current_value"
WARN 출력: "No historical data for KM0N — baseline assumed constant at [value] [unit].
           To improve projection accuracy, provide 10-30 year time-series data."

7b. scenarios = 1

validator.py ERROR: "SCENARIO_COUNT_ERROR: ≥2 scenarios required"
→ 즉시 중단. vision-foresight-scenarios-scenario-logics-selection 재실행 요청.

7c. validator ERROR 발생

→ 해당 JSON 필드를 수정
→ validator.py --input 재호출
→ PASS 확인 후 monte_carlo.py 진행
→ validator.py 오류를 "큰 문제 없다"며 진행하는 것 절대 금지

7d. R² < 0.5 (불량 곡선 적합)

monte_carlo.py: 앵커링 적용 (current_value에서 시작)
WARN 출력: "Baseline fit quality is low (R²=[값]) — projection uncertainty is high.
           Consider using recent 3-5 year data only for stationary/mean-reverting variables."

7e. 모든 scenario P(E|S) = 0 또는 1 (이벤트가 실질적 분기 미생성)

WARN 출력: "Event [E_id] has P=0 or P=1 in all scenarios — no MC divergence.
           TFG verbatim: 'probabilities of the events are different in each scenario'"

7f. Monte Carlo runs 부족

n_runs < 100: validator.py ERROR → 100으로 상향
n_runs = 100-499: WARN "Consider 1000+ for stable CI (CI width may fluctuate)"
n_runs ≥ 1000: DEFAULT, no warning

8. 마스터 협업 Protocol