2D History 72 Updated: 2026-09-29 12:01:02 12:...

ဒီ data ကိုကြည့်ရင် 72 က random number လို့မထင်ဘဲ market values နှစ်ခုကနေ တိုက်ရိုက်ဖွဲ့ထားတာ လို့ မြင်ရပါတယ်။ အရင်ဆုံး formula ကို data နဲ့စစ်ပြီး၊ ပြီးရင် frequency/transition နဲ့ “နောက်တစ်ကြိမ်ဖြစ်နိုင်ချေ” ကို Python နဲ့ဘယ်လောက်ထိခန့်မှန်းလို့ရမလဲ ခွဲပြမယ်။

သင့် sample ထဲမှာ အရေးကြီးတဲ့ pattern တစ်ခု ရှင်းပါတယ် — 1596.27 + 42222.90 → 72, 1596.27 + 42221.21 → 71, 1596.27 + 42219.83 → 79 ဆိုပြီး တိတိကျကျလိုက်နေပါတယ်။ ဒါကြောင့် “72 ကိုခန့်မှန်းတာ” နဲ့ “72 ကိုတွက်ထုတ်တာ” ကို ခွဲထားရပါမယ်။

သင့် data ကို သေချာခွဲကြည့်ရင် 12:01 မှာ 72 ထွက်တာကို frequency ကနေတန်းခန့်မှန်းတာထက် SET + Value နှစ်ခုရဲ့ နောက်ဆုံး digit ကို ခန့်မှန်းတာက ပိုမှန်တဲ့ approach ဖြစ်ပါတယ်။

သင်ပေးထားတဲ့ data မှာ pattern က ဒီလို တိတိကျကျ ကိုက်ပါတယ်။

2D = SET ရဲ့ ဒဿမနောက်ဆုံး digit + Value ရဲ့ integer နောက်ဆုံး digit

ဥပမာ—

• 1596.27 → SET digit = 7
• 42222.90 → integer part 42222 → last digit = 2
• ဒါကြောင့် 72

တခြား row တွေနဲ့လည်း စစ်လို့ရပါတယ်။

• 1596.27 / 42221.21 → 71
• 1596.27 / 42219.83 → 79
• 1597.11 / 42208.73 → 18
• 1596.54 / 42191.87 → 41
• 1596.66 / 42173.15 → 63

ဒီအချက်က သင်ပေးထားတဲ့ sample အားလုံးနီးပါးမဟုတ်ဘဲ အားလုံးနဲ့ ကိုက်ပါတယ်။ ဒါပေမယ့် ဒီဟာကို official 2D rule လို့ ကျွန်တော် မဆိုလိုပါဘူး; သင်ပေးထားတဲ့ dataset ကနေ တွေ့ရတဲ့ deterministic relationship ဖြစ်ပါတယ်။ SET က Index နဲ့ market Value ကို သီးခြား market metrics အဖြစ် ထုတ်ပေးထားပါတယ်။ (SET)

Frequency တစ်ခုတည်းကို မယုံသင့်တဲ့အကြောင်း

သင့် sample 21 rows ကို raw frequency ရေတွက်ရင်—

• 72 = 12 ကြိမ် ≈ 57.1%
• 71 = 4 ကြိမ် ≈ 19.0%
• 79, 18, 41, 63, 43 = တစ်ကြိမ်စီ

ဒီအတိုင်းကြည့်ရင် “72 အရမ်းအားကောင်းတယ်” လို့ ထင်စရာရှိပါတယ်။ ဒါပေမယ့် တကယ်က 72 ဖြစ်ပြီးနောက် market value မပြောင်းသလောက် snapshot ကို 3–4 စက္ကန့်တစ်ကြိမ် ထပ်မှတ်ထားတာပါ။

Consecutive duplicates ဖယ်လိုက်ရင် sequence က—

43 → 63 → 41 → 18 → 79 → 71 → 72

ဆိုတော့ 72 က 12 ကြိမ် independent ဖြစ်တာမဟုတ်ပါဘူး။ တစ်ခုတည်းသော state ကို 12 snapshots တွေ့တာပါ။

ဒါကြောင့် raw frequency ထက် state changes / fixed-time sampling / transition frequency ကိုသုံးတာ ပိုကောင်းပါတယ်။

Python နဲ့ အရင်ဆုံး 2D ကိုတွက်စစ်နိုင်ပါတယ်

python
from decimal import Decimal

def calculate_2d(set_index, value):
    # SET decimal နောက်ဆုံး digit
    s = Decimal(str(set_index)).quantize(Decimal("0.00"))
    set_digit = int(str(s)[-1])

    # Value integer part နောက်ဆုံး digit
    value_digit = int(Decimal(str(value))) % 10

    return set_digit * 10 + value_digit


print(calculate_2d(1596.27, 42222.90))
# 72

print(calculate_2d(1596.27, 42221.21))
# 71

print(calculate_2d(1597.11, 42208.73))
# 18

ဒါက prediction မဟုတ်သေးပါဘူး။ လက်ရှိ SET / Value ရလာတာနဲ့ 2D ကိုတွက်တာပဲ ဖြစ်ပါတယ်။

တကယ့် prediction က ဥပမာ 12:00:45 မှာနေပြီး 12:01 final က ဘာဖြစ်မလဲ ဆိုတာ ကြိုတွက်ချင်တာပါ။

အဲဒီအခါ 2D ကို တိုက်ရိုက် predict မလုပ်ဘဲ—

SET ရဲ့ နောက်ဆုံး digit ဘာဖြစ်နိုင်လဲ?
Value ရဲ့ integer နောက်ဆုံး digit ဘာဖြစ်နိုင်လဲ?

ဆိုပြီး နှစ်ပိုင်းခွဲတာ ပိုကောင်းပါတယ်။

သင့် data မှာ ထင်ရှားတဲ့ ဥပမာ

12:00:49 မှာ—

1596.27 / 42221.21 → 71

ဒါပေမယ့် 12:00:59 မှာ—

1596.27 / 42222.36 → 72

ဖြစ်သွားပါတယ်။

ဒီမှာ SET digit 7 က မပြောင်းဘူး။ Value integer 42221 → 42222 ပြောင်းသွားလို့ 71 → 72 ဖြစ်တာပါ။

ဒါကြောင့် ဒီ case မှာ 72 ရဲ့ key factor က SET မဟုတ်ဘဲ Value ရဲ့ integer boundary crossing ဖြစ်တယ်။

ဒီလို feature ကို model ထဲထည့်တာက 72 မကြာခဏထွက်တယ် လို့ frequency ရေတွက်တာထက်ပိုအသုံးဝင်ပါတယ်။

Python နဲ့ frequency ကို မှန်မှန်ကြည့်မယ်

python
import pandas as pd

data = [
    ("11:59:33", 1596.54, 42173.15),
    ("11:59:36", 1596.66, 42173.15),
    ("11:59:46", 1596.54, 42191.87),
    ("12:00:09", 1597.11, 42208.73),
    ("12:00:22", 1596.27, 42219.83),
    ("12:00:27", 1596.27, 42221.20),
    ("12:00:34", 1596.27, 42221.21),
    ("12:00:37", 1596.27, 42221.20),
    ("12:00:49", 1596.27, 42221.21),
    ("12:00:59", 1596.27, 42222.36),
    ("12:01:02", 1596.27, 42222.36),
    ("12:01:05", 1596.27, 42222.36),
    ("12:01:09", 1596.27, 42222.36),
    ("12:01:13", 1596.27, 42222.36),
    ("12:01:18", 1596.27, 42222.47),
    ("12:01:22", 1596.27, 42222.47),
    ("12:01:26", 1596.27, 42222.84),
    ("12:01:29", 1596.27, 42222.84),
    ("12:01:32", 1596.27, 42222.84),
    ("12:01:35", 1596.27, 42222.84),
    ("12:01:39", 1596.27, 42222.90),
]

df = pd.DataFrame(data, columns=["time", "set", "value"])

# digits
df["set_digit"] = (
    df["set"].map(lambda x: int(f"{x:.2f}"[-1]))
)

df["value_digit"] = (
    df["value"].astype(int) % 10
)

df["2d"] = (
    df["set_digit"] * 10 +
    df["value_digit"]
)

print(df)

ပြီးရင် raw frequency—

python
print(
    df["2d"]
    .value_counts(normalize=True)
    .mul(100)
    .round(2)
)

ဒါပေမယ့် ဒီ frequency ကို prediction probability လို့ မယူပါနဲ့။

Consecutive repeated states ဖယ်ချင်ရင်—

python
changes = df[
    df["2d"].ne(df["2d"].shift())
].copy()

print(changes[["time", "set", "value", "2d"]])

ဒီ sample မှာ အဓိက state changes က—

text
43
63
41
18
79
71
72

လိုဖြစ်သွားမယ်။

Prediction အတွက် Markov transition သုံးလို့ရတယ်

Historical data အများကြီးရှိရင်

လက်ရှိ 71 ဖြစ်ရင် နောက် state က ဘာဖြစ်တတ်လဲ

လို transition probability တွက်နိုင်ပါတယ်။

python
events = df[
    df["2d"].ne(df["2d"].shift())
].copy()

events["next_2d"] = events["2d"].shift(-1)

transition = pd.crosstab(
    events["2d"],
    events["next_2d"],
    normalize="index"
)

print(transition)

Historical data အများကြီးရှိပြီဆိုရင်—

python
current = 71

if current in transition.index:
    candidates = (
        transition.loc[current]
        .sort_values(ascending=False)
        .head(10)
    )

    print(candidates)

ဒီကနေ ဥပမာ hypothetical အနေနဲ့

text
72    0.18
70    0.14
73    0.12
79    0.08
...

လိုရနိုင်ပါတယ်။

ဒါပေမယ့် သင့်လက်ရှိ 21 rows နဲ့ ဒီ model သုံးရင် sample နည်းလွန်းပါတယ်။

ပိုကောင်းတဲ့နည်းက “12:01 မတိုင်ခင် ဘယ်နှစက္ကန့်” ကိုသုံးတာ

တကယ်စမ်းသပ်သင့်တာက—

12:00:30 result → 12:01 result တူတဲ့ %

12:00:45 result → 12:01 result တူတဲ့ %

12:00:50 result → 12:01 result တူတဲ့ %

12:00:55 result → 12:01 result တူတဲ့ %

12:00:59 result → 12:01 result တူတဲ့ %

ကို နေ့ပေါင်းရာချီ ရေတွက်တာပါ။

ဥပမာ 300 trading days ရှိပြီး 12:00:55 မှာရှိတဲ့ 2D ဟာ 12:01 final နဲ့ 135 ရက်တူတယ်ဆိုရင်—

135 / 300 = 45%

အဲဒီ 45% က “လက်ရှိ number ဆက်တည်နိုင်ချေ” ကို အနည်းဆုံး historical estimate တစ်ခု ပေးနိုင်ပါတယ်။

ဒီ statistic က 72 ဘယ်နှကြိမ်ထွက်လဲ ထက် အများကြီးပိုအသုံးဝင်ပါတယ်။

ကျွန်တော်ဆိုရင် model ကို ဒီလိုဆောက်မယ်

အရေးကြီးဆုံး features တွေက—

1. လက်ရှိ SET digit
2. လက်ရှိ Value digit
3. နောက်ဆုံး 5 / 10 / 30 sec SET movement
4. Value ရဲ့ နောက်ဆုံး 5 / 10 / 30 sec increase
5. Value က နောက် integer ကိုကျော်ဖို့ ဘယ်လောက်နီးနေသလဲ
6. current 2D ဘယ်နှစက္ကန့်တည်နေပြီလဲ
7. draw time အထိ seconds remaining
8. နေ့တူ time window ရဲ့ historical transitions

ဥပမာ 42221.87 ဆိုပါစို့။

နောက် integer 42222.00 ရောက်ဖို့ 0.13 ပဲလိုတော့တာကြောင့် Value last digit 1 → 2 ပြောင်းနိုင်တာကို model က သတိထားသင့်ပါတယ်။

ဒါဟာ raw frequency မှာ မမြင်နိုင်တဲ့ information ပါ။

အဓိက takeaway က — 2D ကို 00–99 တစ်ခုတည်းအနေနဲ့ ခန့်မှန်းတာထက် SET digit တစ်လုံး + Value digit တစ်လုံးကို သီးခြား forecast လုပ်ပြီး ပြန်ပေါင်းတာ ပိုသင့်တော်ပါတယ်။ Frequency တစ်ခုတည်း၊ pattern တစ်ခုတည်းနဲ့ အနာဂတ်ကို အာမခံမနိုင်ပါဘူး; historical data ကို train/test days ခွဲပြီး backtest လုပ်မှ model က တကယ်အကျိုးရှိ/မရှိ သိနိုင်ပါတယ်။

သင့်မှာ တစ်ပတ်/တစ်လ/လပေါင်းများစွာရဲ့ 2D History data ရှိရင် CSV/Excel အနေနဲ့ပေးနိုင်ပါတယ်။ အဲဒီ data ကိုအခြေခံပြီး 12:01 prediction အတွက် frequency + transition + time-to-draw + backtest ပါတဲ့ Python model ပုံစံကို တိတိကျကျ ဆောက်ပုံရေးပြနိုင်ပါတယ်။