

> 回看验收发现选股器整体跑输，第一反应往往是「换因子」——但很多时候问题不在因子本身，而在参数：窗口太大还是太小？Top-N 取 3 还是取 7？动量权重给 0.4 合适吗？这篇教你用参数扫描的方法，量化地知道每个参数对结果的影响方向与幅度。

## 一、为什么参数比因子更重要（在你还没有海量数据之前）

因子研究需要长时间跨度的真实数据来验证有效性；但在数据有限的情况下，**先把现有因子的参数调到一个相对合理的区间**，比盲目堆新因子更有工程价值。

参数敏感度实验的核心思路：固定因子定义，系统性地改变窗口大小、候选数量和权重配比，用同一段历史数据跑一遍，对比平均超额。最终产出的不是「一个稳赚组合」，而是「参数-结果」的映射矩阵——让你知道往哪个方向调参数是有效的。

**本文你将得到：**

1. 二维参数扫描框架（窗口 × Top-N），输出敏感度矩阵；
2. 权重扫描框架（动量权重 0.1~0.9），找到当前样本下的相对最优配比；
3. 可直接落地的结论格式，方便写入你的策略配置文件。

## 二、准备环境

```bash
pip install mairui pandas numpy
```

## 三、完整代码（已实测跑通）

```python
from mairui import Client
import random
import pandas as pd
import numpy as np

LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"  # 演示证书，请换成你自己的正式证书
SEED = 20260918

POOL = {
    "600519": "贵州茅台", "000858": "五粮液",
    "601398": "工商银行", "600036": "招商银行",
    "300750": "宁德时代", "002594": "比亚迪",
    "600276": "恒瑞医药", "603259": "药明康德",
    "600030": "中信证券", "601688": "华泰证券",
    "000333": "美的集团", "600900": "长江电力",
}

WEIGHTS = {"动量": 0.4, "低波": 0.3, "流动性": 0.3}
WINDOWS = [15, 21, 30]
TOP_NS = [2, 3, 5, 7]


def perturb(bars, seed):
    rng = random.Random(seed)
    out = []
    for b in bars:
        k = 1.0 + (rng.random() - 0.5) * 0.10
        kv = 1.0 + (rng.random() - 0.5) * 0.40
        nb = dict(b)
        for f in ("o", "c", "h", "l"):
            if f in nb and nb[f] is not None:
                nb[f] = round(float(nb[f]) * k, 2)
        if nb.get("v") is not None:
            nb["v"] = round(float(nb["v"]) * kv)
        out.append(nb)
    return out


def fetch_bars(code):
    bars = Client(LICENCE).stock_history(code=code, st="", et="", period="d", dividend="f")
    if not bars:
        raise RuntimeError(f"{code} 未获取到数据，请检查证书是否有效")
    return perturb(bars, seed=SEED + int(code))


def to_frame(bars):
    df = pd.DataFrame(bars)
    for col in ("o", "h", "l", "c", "v"):
        df[col] = pd.to_numeric(df[col], errors="coerce")
    df["t"] = df["t"].astype(str)
    return df.sort_values("t").reset_index(drop=True)


def factor_scores(df, w):
    c, v = df["c"], df["v"]
    mom = c.iloc[-1] / c.iloc[0] - 1
    lowvol = -c.pct_change().tail(min(20, len(df) - 1)).std()
    liq = (v * c).tail(min(20, len(df) - 1)).mean()
    return {"动量": mom, "低波": lowvol, "流动性": liq}


def zscore(vals):
    a = np.asarray(vals, dtype=float)
    sd = a.std()
    return (a - a.mean()) / sd if sd > 0 else np.zeros_like(a)


def avg_return_of_picks(frames, day, window, top_n, weights):
    rows = []
    for code, df in frames.items():
        hist = df.iloc[day - window:day]
        rows.append({"代码": code, **factor_scores(hist, window)})
    table = pd.DataFrame(rows)
    for k in weights:
        table[k + "_z"] = zscore(table[k])
    table["综合分"] = sum(table[k + "_z"] * w for k, w in weights.items())
    picks = table.sort_values("综合分", ascending=False).head(top_n)["代码"].tolist()
    rets = []
    for code in picks:
        rets.append(frames[code]["c"].iloc[day] / frames[code]["c"].iloc[day - 1] - 1)
    return float(np.mean(rets))


def main():
    frames = {code: to_frame(fetch_bars(code)) for code in POOL}
    n = min(len(df) for df in frames.values())
    print(f"每只标的 {n} 条日线；扫描窗口 {WINDOWS} × 候选数 {TOP_NS}\n")

    all_pool_ret = []
    for day in range(max(WINDOWS), n):
        r = np.mean([frames[c]["c"].iloc[day] / frames[c]["c"].iloc[day - 1] - 1 for c in frames])
        all_pool_ret.append(r)
    bench = float(np.mean(all_pool_ret))
    print(f"全池基准平均次日涨幅: {bench * 100:+.4f}%\n")

    results = []
    for window in WINDOWS:
        days = list(range(window, n))
        row_label = f"窗口{window}({len(days)}日)"
        for top_n in TOP_NS:
            rets = [avg_return_of_picks(frames, day, window, top_n, WEIGHTS) for day in days]
            avg_ret = float(np.mean(rets))
            results.append({"窗口": row_label, "Top-N": top_n, "候选均涨": avg_ret, "超额": avg_ret - bench})

    table = pd.DataFrame(results)
    pivot = table.pivot(index="窗口", columns="Top-N", values="超额")
    print("===== 敏感度矩阵（超额 = 候选均涨 - 全池基准）=====")
    print((pivot * 100).round(2).astype(str) + "%")

    best = table.loc[table["超额"].idxmax()]
    print(f"\n最佳组合: 窗口{best['窗口'].split('(')[0].replace('窗口', '')}, Top-N={int(best['Top-N'])}")
    print(f"平均超额: {best['超额'] * 100:+.4f}%")

    print("\n===== 权重敏感度（固定窗口=21, Top-N=5）=====")
    mom_ws = [0.1, 0.3, 0.5, 0.7, 0.9]
    weight_rows = []
    window = 21
    days = list(range(window, n))
    for mw in mom_ws:
        lw = (1 - mw) / 2
        ww = {"动量": mw, "低波": lw, "流动性": lw}
        rets = [avg_return_of_picks(frames, day, window, 5, ww) for day in days]
        avg_ret = float(np.mean(rets))
        weight_rows.append({"动量权重": mw, "低波权重": lw, "候选均涨": avg_ret, "超额": avg_ret - bench})
    wdf = pd.DataFrame(weight_rows)
    print(wdf.to_string(index=False))
    best_w = wdf.loc[wdf["超额"].idxmax()]
    print(f"\n最佳权重: 动量={best_w['动量权重']}, 低波={best_w['低波权重']:.2f}, 超额={best_w['超额'] * 100:+.4f}%")


if __name__ == "__main__":
    main()
```

## 四、真实运行结果

```text
全池基准平均次日涨幅: +0.1828%

===== 敏感度矩阵（超额 = 候选均涨 - 全池基准）=====
Top-N           2       3       5       7
窗口                                       
窗口15(35日)  -2.49%  -2.18%  -1.44%  -0.86%
窗口21(29日)  -2.19%  -1.83%  -0.96%  -0.83%
窗口30(20日)   -1.0%  -1.21%  -1.19%  -0.98%

最佳组合: 窗口21, Top-N=7
平均超额: -0.8342%

===== 权重敏感度（固定窗口=21, Top-N=5）=====
 动量权重  低波权重      候选均涨        超额
  0.1     0.45     -0.001501     -0.003328
  0.3     0.35     -0.004194     -0.006022
  0.5     0.25     -0.011103     -0.012930
  0.7     0.15     -0.014869     -0.016696
  0.9     0.05     -0.014281     -0.016108

最佳权重: 动量=0.1, 低波=0.45, 超额=-0.3328%
```

从矩阵里能读出三个明确方向：

- **Top-N 越大，亏损越小**：Top-N=7 在所有窗口下都优于 Top-N=2。这说明在这个样本上，「多买几只摊薄」比「精选少数」更稳妥——可能是因为单因子选出来的前几名波动性大。
- **动量权重越低越好**：从 0.9 降到 0.1，超额从 -1.61% 改善到 -0.33%。这说明当前样本期内动量因子反而是个反向指标，降低它的权重、抬高低波和流动性的权重，能显著减少亏损。
- **窗口 30 并没有明显优于 21**：在数据量有限的情况下，窗口加大反而减少了滚动回看天数（30 窗口只剩 20 个回看日），样本可信度下降。

> 说明：演示证书返回固定样例数据，代码用确定性扰动模拟行情起伏；换成你自己的正式证书后删掉 `perturb` 调用即为真实行情，扫描逻辑零改动。

## 五、两个实操建议

1. **敏感度实验的价值不是「找到稳赚参数」**：在有限样本上，所有参数都可能跑输基准。实验的真正价值是告诉你「往哪个方向调是有效的」——比如这里明确告诉你「降低动量权重、增加 Top-N」是改善方向。
2. **把最佳参数写入配置文件，定期重跑**：策略参数不应该写死在代码里。把 `WINDOW`、`TOP_N`、`WEIGHTS` 抽成 JSON/YAML 配置，每个月用最新数据重跑一次敏感度实验，更新参数。

## 六、小结与下篇预告

参数敏感度实验是量化工程中容易被忽略但回报极高的一步。它能让你在数据有限的情况下，快速排除明显有害的参数组合，把资源集中在真正有效的方向上。

**下篇预告**：《【Python量化选股流水线 #06】从候选清单到每日盯盘：流水线结果进监控看板》——把选股结果输出为 JSON 清单 + 文本看板 + 走势图，每天收盘后一键生成候选监控面板。

## 免责声明

本文所有代码与数据仅用于技术学习与演示，不构成任何投资建议。股市有风险，投资需谨慎。

## 代码与文档

SDK 与更多语言版本：https://github.com/MaiRuiApi


回看验收发现选股器整体跑输，第一反应往往是「换因子」——但很多时候问题不在因子本身，而在参数：窗口太大还是太小？Top-N 取 3 还是取 7？动量权重给 0.4 合适吗？这篇教你用参数扫描的方法，量化地知道每个参数对结果的影响方向与幅度。

【Python量化选股流水线 #05】过滤阈值拍脑袋？窗口与阈值的敏感度实验

编程语言

算法

本文介绍量化选股参数敏感度扫描方法，通过系统性调整窗口大小、Top-N候选数和动量权重，构建参数-结果映射矩阵。实验显示：增大Top-N可摊薄风险，降低动量权重至0.1能显著改善超额收益。提供完整Python代码与实操建议，帮助投资者在有限数据下快速定位有效参数方向。

代码解释

Windows

Python

GitHub

JSON

2026上云采购 | AI焕新·智启新局

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化选股流水线 #05】过滤阈值拍脑袋？窗口与阈值的敏感度实验-腾讯云开发者社区-腾讯云

【Python量化选股流水线 #05】过滤阈值拍脑袋？窗口与阈值的敏感度实验

【Python量化选股流水线 #05】过滤阈值拍脑袋？窗口与阈值的敏感度实验

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐