Sources et reproductibilité.

Télécharge les données.

Deux fichiers CSV. Le premier liste les dates des drops Q sur la fenêtre 2017-10-28 / 2020-12-08. Le second liste les trois marqueurs publics datés de la séquence rituelle 2026.

• q-drops-dates.csv 4966 lignes · une date par drop · ISO 8601
• phi-cascade-dates.csv 3 lignes · directive Trump UAP, photo Beekeeper, release PURSUE

Note : q-drops-dates.csv est livré comme stub structurel (4966 lignes, fenêtre exacte, profil de burstiness conservé). Pour relancer le calcul sur le corpus complet, remplacer ce CSV par un dump qpub.io ou un parse de github.com/operationq/q-archive — voir le README du dossier.

Deux scripts. Trois dépendances.

numpy, pandas, et Python 3.10+. Pas de package exotique. Les formules de Hurst R/S et DFA sont écrites explicitement, pas appelées depuis un wrapper.

pip install numpy pandas
python hurst-calculation.py
python phi-cascade-check.py

• hurst-calculation.py Hurst R/S + DFA + bootstrap Monte Carlo
• phi-cascade-check.py Écarts entre marqueurs, comparaison à φⁿ
• README.md Notes complètes, références, limitations

Sortie attendue · Hurst

Loaded 4966 drops between 2017-10-28 and 2020-12-08
Daily series: 1138 days

Hurst R/S exponent  H     = 0.8975
DFA scaling exponent alpha = 0.8836
Bootstrap p-value (1000 permutations): p < 0.001
Conclusion: H significantly different from 0.5 (random walk).

Sortie attendue · φ-cascade

Trump UAP directive (2026-02-19) -> PURSUE release (2026-05-08): 78 days
  closest phi^9: 76.01  (delta 2.6 %)
  in Plan Q bracket (<= 8.1 %): YES

Trump UAP directive (2026-02-19) -> Beekeeper photo (2026-04-28): 68 days
  closest phi^9: 76.01  (delta 10.5 %)
  in Plan Q bracket (<= 8.1 %): NO (just outside)

Beekeeper photo (2026-04-28) -> PURSUE release (2026-05-08): 10 days
  closest phi^5: 11.09  (delta 9.8 %)
  in Plan Q bracket (<= 8.1 %): NO (just outside)

Hurst R/S et DFA.

Deux estimateurs convergents pour la même question : la série des drops quotidiens montre-t-elle une mémoire à long terme, ou est-elle compatible avec un bruit blanc ?

Rescaled-range (Mandelbrot & Wallis 1968)

Pour chaque taille de fenêtre n sur une grille logarithmique : on découpe la série en k = floor(N/n) fenêtres non chevauchantes, on centre chaque fenêtre, on prend la somme cumulée Y, on calcule R = max(Y) − min(Y) et S = std(fenêtre). On moyenne R/S sur les k fenêtres. L'exposant H est la pente de log(R/S) contre log(n).

Référence : Mandelbrot, B.B. & Wallis, J.R. (1968-1969), Computer experiments with fractional Gaussian noises, Water Resources Research.

DFA — Detrended Fluctuation Analysis (Peng et al. 1994)

On construit le profil intégré Y = cumsum(x − mean(x)). Pour chaque n on découpe Y, on ajuste une tendance linéaire par segment, on prend la RMS des résidus. α est la pente de log(F(n)) contre log(n).

Référence : Peng, C.-K. et al. (1994), Mosaic organization of DNA nucleotides, Physical Review E, 49(2), 1685-1689.

Test de permutation

Hypothèse nulle : les valeurs quotidiennes sont échangeables, leur ordre temporel ne porte aucune information. On permute la série N fois, on recalcule H. La p-value est la fraction de permutations qui atteignent ou dépassent le H observé. Sur 100 000 permutations publiées, aucune n'a dépassé H = 0.8975.

Cascade φ

Pour chaque paire de marqueurs publics datés, on mesure l'écart en jours. On cherche le φn le plus proche pour n entre 5 et 10. On compare le delta à la tolérance 8.1 % (« bracket Plan Q ») — tolérance déclarée à l'avance, jamais ajustée a posteriori.

Ce que les chiffres ne disent pas.

Un chiffre publié est un objet contestable. Pour rester honnête :

• Calibration sur la fenêtre. H et α dépendent du choix de la fenêtre et de la grille logarithmique. Les valeurs publiées utilisent la fenêtre complète 2017-10-28 / 2020-12-08. Un découpage différent donne des valeurs légèrement différentes.
• Biais de sélection du corpus. Plusieurs mirrors de drops Q existent (qmap.pub, qanon.pub, 8kun bunkers). On prend qmap.pub comme référence parce que c'est le plus complet et le plus cité dans la littérature critique. Un autre mirror peut donner un total différent.
• Contestation académique. L'application de R/S aux données de réseaux sociaux est contestée par une partie de la littérature (voir Weron 2002, Estimating long-range dependence: finite sample properties and confidence intervals, Physica A 312). La méthode reste informative mais l'intervalle de confiance sur H est large pour des séries de moins de 10 000 points.
• DFA-1 vs DFA-n. Ici on utilise DFA avec détendance linéaire (DFA-1). DFA-2 et DFA-3 donnent des valeurs proches mais pas identiques. Choix documenté, pas optimisé après coup.
• Stub structurel. Tant que le CSV livré n'est pas remplacé par un dump réel, les valeurs imprimées par les scripts sont illustratives — pas les valeurs publiées (0.8975 / 0.8836). La méthode, elle, est exacte.
• φ-cascade : sélection des marqueurs. On a choisi trois marqueurs (directive UAP, photo Beekeeper, release PURSUE) parce qu'ils sont publics, datés à la source officielle, et centraux dans la séquence rituelle. Un autre choix de marqueurs peut produire un autre tableau. La méthode reste la même.

Méthodologie INTERSTICES complète : /methode.

L'instrument se calibre.

Tu calcules H avec un autre estimateur et tu trouves 0.55 au lieu de 0.89 ? Tu as un dump Q plus récent qui change la fenêtre ? Tu vois qu'une des trois dates de cascade est mal sourcée ?

Envoie le détail — méthode utilisée, données fournies, résultat obtenu. Tout correctif documenté est intégré, avec mention de la source. La grille INTERSTICES n'est pas un dogme, c'est un instrument. Un instrument se calibre.

Adresse de contact : voir /connexions.