python案例如何识别战术被摸透的风险？

用Python识别"战术被摸透"的风险

"战术被摸透"本质是你的行为模式被对手建模预测，在量化交易、游戏AI、电商定价等场景都常见，下面给出一套可落地的Python检测框架。

核心思路

风险信号来自三个维度：

1. 可预测性：历史行为能否被模型高精度预测
2. 对手适应速度：对手策略是否在针对你调整
3. 收益衰减：近期策略效果是否系统性下降

可预测性检测（最关键）

import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import accuracy_score
def predictability_score(actions, features, n_splits=5):
    """
    actions: 你的历史动作序列 (如 0=进攻,1=防守,2=撤退)
    features: 当时的可观测状态特征
    返回: 交叉验证准确率, 越接近1越危险(越容易被预测)
    """
    tscv = TimeSeriesSplit(n_splits=n_splits)
    accs = []
    for train_idx, test_idx in tscv.split(features):
        clf = RandomForestClassifier(n_estimators=100, max_depth=5)
        clf.fit(features[train_idx], actions[train_idx])
        pred = clf.predict(features[test_idx])
        accs.append(accuracy_score(actions[test_idx], pred))
    return np.mean(accs), np.std(accs)
# 判读基准
# <0.4  安全   0.4-0.6 观察   >0.6 高风险

原理：如果对手能用同样的状态特征高精度预测你的下一步动作，说明你的策略存在强模式。

动作分布偏移检测（对手在适应你）

from scipy.stats import entropy
def action_entropy_shift(actions, window=50):
    """检测动作分布是否被压缩(对手逼你进入固定应对)"""
    entropies = []
    for i in range(window, len(actions)):
        seg = actions[i-window:i]
        p = np.bincount(seg).astype(float) / len(seg)
        p = p[p > 0]
        entropies.append(entropy(p))
    return np.array(entropies)
# 熵持续下降 = 你的选择被压缩 = 被针对的信号

收益衰减 + 对手反应速度

def detect_adaptation(rounds, my_rewards, opponent_rewards, window=20):
    """
    检测对手是否在系统性利用你:
    - 你的收益漂移为负
    - 对手收益与你的历史动作显著相关
    """
    my_drift = np.mean(my_rewards[-window:]) - np.mean(my_rewards[-2*window:-window])
    opp_gain = np.mean(opponent_rewards[-window:]) - np.mean(opponent_rewards[-2*window:-window])
    # 对手收益与你上一轮动作的相关系数
    if len(my_rewards) > 2:
        corr = np.corrcoef(my_rewards[:-1], opponent_rewards[1:])[0, 1]
    else:
        corr = 0.0
    risk = 0
    if my_drift < 0 and opp_gain > 0: risk += 1
    if abs(corr) > 0.3: risk += 1   # 对手在"读"你的顺序
    return {"my_drift": my_drift, "opp_gain": opp_gain,
            "lag_corr": corr, "risk_level": risk}

综合风险打分

def tactic_exposure_report(actions, features, my_rewards, opp_rewards):
    acc, std = predictability_score(actions, features)
    ent = action_entropy_shift(actions)
    ent_trend = np.polyfit(range(len(ent)), ent, 1)[0]  # 斜率
    adapt = detect_adaptation(range(len(my_rewards)), my_rewards, opp_rewards)
    score = 0
    score += 40 if acc > 0.6 else 20 if acc > 0.45 else 0
    score += 30 if ent_trend < -0.01 else 0
    score += adapt["risk_level"] * 15
    score = min(score, 100)
    return {
        "predictability": round(acc, 3),
        "entropy_trend": round(ent_trend, 4),
        "adaptation": adapt,
        "exposure_score": score,
        "verdict": "高风险-战术已被摸透" if score >= 60
                   else "警戒" if score >= 35
                   else "相对安全"
    }

缓解策略（检测之外）

实战注意事项

• 数据要按时间切分，别用随机CV，否则准确率虚高
• 准确率基准要对比"无信息基线"：比如动作3类，随机基线33%，0.5其实已偏高
• 样本量：小于几百轮时结论不稳，用滚动窗口
• 滞后相关只测1步不够，可扫 lag=1..5 找峰值

这套组合能帮你从"感觉被针对"变成"量化判断被针对"，如果你告诉我具体场景（交易/游戏/对抗定价），我可以把特征工程和动作空间写得更贴合。