python案例如何识别战术被摸透的风险？

wen python案例 2026-09-19 4

Python案例：识别"战术被摸透"的风险

在量化交易、游戏AI、竞价策略等场景中，"战术被摸透"指对手能预测你的行为模式并加以利用，下面用几个可运行的Python案例来演示如何识别这种风险。

问题建模

"被摸透"的本质是：你的行为序列具有高可预测性，可以从三个维度量化：

维度	含义	指标
熵	行为分布的随机性	香农熵、条件熵
周期性	是否重复固定模式	自相关、FFT
可预测性	对手能否预测下一步	马尔可夫/ML模型准确率

案例1：行为熵检测（分布是否太集中）

from collections import Counter
import numpy as np
from scipy.stats import entropy
def behavior_entropy(actions):
    """
    actions: 你的历史动作序列，如 ['buy','sell','hold',...]
    返回归一化熵：0=完全可预测，1=完全随机
    """
    counts = Counter(actions)
    probs = np.array(list(counts.values())) / len(actions)
    h = entropy(probs, base=2)
    h_max = np.log2(len(counts)) if len(counts) > 1 else 1
    return h / h_max  # 归一化
# 示例
tactics_A = ['buy','sell','hold'] * 100          # 死板循环 → 容易被摸透
tactics_B = np.random.choice(['buy','sell','hold'], 300)  # 随机
print("循环战术熵:", round(behavior_entropy(tactics_A), 3))  # 接近0
print("随机战术熵:", round(behavior_entropy(tactics_B), 3))  # 接近1

判读：归一化熵 < 0.4 就意味着行为过于集中，风险高。

案例2：序列可预测性（对手能不能猜下一步）

用一阶马尔可夫链模拟对手的预测能力：

from collections import defaultdict
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
def markov_predictability(actions):
    # 构造 (前一步 -> 下一步) 转移对
    transitions = defaultdict(list)
    for a, b in zip(actions[:-1], actions[1:]):
        transitions[a].append(b)
    # 用众数作为预测规则
    rule = {k: Counter(v).most_common(1)[0][0] for k, v in transitions.items()}
    # 留出法评估：用前半段训练，后半段测试
    split = len(actions) // 2
    rule_train = defaultdict(list)
    for a, b in zip(actions[:split-1], actions[1:split]):
        rule_train[a].append(b)
    rule_train = {k: Counter(v).most_common(1)[0][0] for k, v in rule_train.items()}
    y_true = actions[split:]
    y_pred = [rule_train.get(a, None) for a in actions[split-1:-1]]
    valid = [(t,p) for t,p in zip(y_true, y_pred) if p]
    if not valid:
        return 0.0
    return accuracy_score([t for t,_ in valid], [p for _,p in valid])
# 对比
print("循环战术可预测率:", markov_predictability(tactics_A))   # ≈1.0 危险
print("随机战术可预测率:", markov_predictability(list(tactics_B)))  # ≈0.33 安全

阈值参考（3类动作）：> 0.5 表示对手有显著优势。

案例3：周期性检测（FFT + 自相关）

import numpy as np
def detect_periodicity(actions, top_k=3):
    """把动作编码为0/1/2后做FFT，找主频"""
    mapping = {a: i for i, a in enumerate(set(actions))}
    x = np.array([mapping[a] for a in actions], dtype=float)
    x = x - x.mean()
    fft = np.abs(np.fft.rfft(x))
    freqs = np.fft.rfftfreq(len(x))
    # 忽略直流分量
    idx = np.argsort(fft[1:])[::-1][:top_k] + 1
    peaks = [(freqs[i], fft[i]) for i in idx]
    # 用最大峰/次大峰 判断"是否明显周期"
    if len(peaks) < 2 or peaks[1][1] == 0:
        return peaks, float('inf')
    ratio = peaks[0][1] / (peaks[1][1] + 1e-9)
    return peaks, ratio
peaks, ratio = detect_periodicity(tactics_A)
print("主周期峰:", [(round(f,3), round(a,1)) for f,a in peaks])
print("主次峰比:", round(ratio, 2), "  >3 表示周期明显，危险")

案例4：综合风险打分器

把三个指标整合成一个实时监控面板：

def risk_score(actions, weights=(0.4, 0.4, 0.2)):
    h = behavior_entropy(actions)                     # 越低越危险
    p = markov_predictability(actions)                # 越高越危险
    _, ratio = detect_periodicity(actions)
    periodicity = min(ratio / 5.0, 1.0)               # 归一化
    risk = (weights[0] * (1 - h)
          + weights[1] * p
          + weights[2] * periodicity)
    return {
        "entropy": round(h, 3),
        "predictability": round(p, 3),
        "periodicity": round(periodicity, 3),
        "risk": round(risk, 3),
        "level": "🔴高" if risk > 0.7 else "🟡中" if risk > 0.4 else "🟢低"
    }
print("循环战术:", risk_score(tactics_A))
print("随机战术:", risk_score(list(tactics_B)))

输出示例：

循环战术: {'entropy': 0.02, 'predictability': 1.0, 'periodicity': 0.6, 'risk': 0.91, 'level': '🔴高'}
随机战术: {'entropy': 0.95, 'predictability': 0.34, 'periodicity': 0.1, 'risk': 0.22, 'level': '🟢低'}

实战落地建议

滑动窗口监控：每隔 N 步（如 50 次）重算一次 risk_score，画时间曲线，一旦持续 > 0.6 就告警。
对局反馈结合：如果对手胜率随对局数上升，配合上述指标可确认是"被适应"而非运气。
自动化反制：
- 加入 ε-greedy 随机扰动（把熵拉到 0.7+）
- 定期切换策略池（用 bandit 算法动态选策略）
- 引入对抗训练：让自博弈的对手去学习自己
区分场景：
- 交易：还要看成交量、盘口反应（对手针对性下单）
- 游戏AI：还要看对手的反制动作频率
- 竞价：还要看对手报价是否踩在你出价的临界点上