参数敏感性报告：高原与孤峰的正式画法
我的掌握程度：
先掌握这个答案
标准做法：①一维扫描：主参数取标准档（5/10/20/40/60/120——对数间隔）逐档回测，指标看样本外年化与夏普；②二维扫描：两个关键参数的网格（如窗口×阈值）出热力图；③呈现：表+图，标注"选用值"及其上下档成绩。判定标准：高原=选用值与相邻两档的成绩差<20%（相对）且方向一致；孤峰=选用值显著高于全部相邻档（>50%）——参数在"背答案"。报告规范进档案：敏感性表附在策略文档的"参数"节——写明扫描范围、选用理由（高原中点/标准档惯例）；决策流程：孤峰参数一律回炉（q-509剃刀或放弃）；高原参数微调无需重新验证。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 回测先过时序、成交与成本三道关
把信号变成策略收益时，每笔收益必须能追溯到当时能下出的订单。
- 画出时间线：数据可得→算信号→下单→成交→持仓收益；收盘信号不能倒用当天完整收益。
- 明确交易价格、T+1可卖数量、停牌涨跌停、仓位上限和实际成交量约束。
- 同时报告毛/净收益、换手、最大回撤、基准和样本外结果；对滑点与费率做压力测试。
使用边界
- 简单shift(1)只解决部分时序问题；次日开盘成交还要区分隔夜和日内收益。
- 成本应按成交金额与买卖方向计提；0.15%是教学情景，不是统一市场费率。
不懂的术语：回测（Backtest）
背景 · 从一个困惑说起
q-466/509多次引用"参数高原vs孤峰"——这一题给出它的正式工程：敏感性不是"感觉参数还行"，而是一张系统扫描的表/图，它决定参数选择的合法性，也是研究档案的标准件。
由此产生的问题
一维/二维敏感性扫描的标准做法（网格、指标、呈现）？高原与孤峰的判定标准？敏感性报告怎么进研究档案与决策流程？
核心概念
标准做法：①一维扫描：主参数取标准档（5/10/20/40/60/120——对数间隔）逐档回测，指标看样本外年化与夏普；②二维扫描：两个关键参数的网格（如窗口×阈值）出热力图；③呈现：表+图，标注"选用值"及其上下档成绩。判定标准：高原=选用值与相邻两档的成绩差<20%（相对）且方向一致；孤峰=选用值显著高于全部相邻档（>50%）——参数在"背答案"。报告规范进档案：敏感性表附在策略文档的"参数"节——写明扫描范围、选用理由（高原中点/标准档惯例）；决策流程：孤峰参数一律回炉（q-509剃刀或放弃）；高原参数微调无需重新验证。
为什么需要它
①把"选择"变成"证明"：参数是回测最大的合法自由度——敏感性报告是这个自由度的纳税证明；②孤峰=局部的数据挖掘：选在峰顶=对那段历史的精确拟合——样本外均值回归到高原水平（甚至更低）；③档案的复利：敏感性表让三个月后的你（或接手的同事）知道参数为什么是20天——可维护性的具体形态。
实际应用场景
执行：scan(parameter_grid)→输出表与图→判定（高原/斜坡/孤峰）→选用（高原中点优先）→归档；后续每季度复扫一次（高原漂移=因子衰减的早期信号）。
与之前知识的联系
q-466（首次提出）/q-509（剃刀的第一判据）的工程完全体；孤峰判定与q-508（数据挖掘）呼应；季度复扫连接q-443（因子衰减监控）。
⚠ 常见误解
- 扫描出最优参数就行：扫描的目的恰是反"最优"——选最优=选孤峰=选拟合；目标是证明高原存在并取稳健点
- 敏感性=多跑几个数：没有标准档网格、没有判定标准、没有归档的扫描=没有发生过的扫描
- 参数稳定就不用再扫：市场结构变化会让高原漂移甚至塌陷——季度复扫是策略体检项
🛠 本题实践任务
为你的主参数做正式敏感性报告（标准档网格+判定+归档）；若发现孤峰诱惑——记录你拒绝它的心路（这行记录未来会值钱）。
💡 提示（先自己想5分钟再看）
网格用对数均匀的标准档（5/10/20/40/60）而非连续微调——标准档自带稳健性；二维热力图留给双参数策略。
✅ 验收标准
一份归档的敏感性报告（表+判定+选用理由）。参数选择从"自由"变成"有据"。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（参数敏感性概念、奥卡姆剃刀），再用案例、公式和代码帮助理解。此功能需要先启用服务。