2560 勘探首航：从特征识别到参数优化引擎

扫雷是发现，勘探是研究。扫雷告诉你「这里有情况」，勘探告诉你「怎么处理」。

---

勘探引擎是什么

扫雷流是特征识别——从数据池里筛出符合条件的样本。

勘探流是参数优化——对每个候选样本，自动扫描算法参数的最优组合。

扫描的参数空间：

RSI窗口:    6 到 30 (步长2)
触发阈值:   20 到 35 (步长5)
观察周期:   3 到 10 天 (步长2)

全排列：约 288 种组合。首次跑一遍，结果缓存到 SQLite。之后的查询秒出。

---

勘探 vs 扫雷

扫雷 → 特征识别 → 「这里有情况」
勘探 → 参数优化 → 「给它用这套参数效果最好」
共振 → 状态诊断 → 「目前状态如何」

三条线是串起来的。扫雷发现候选 → 勘探确定最优参数 → 共振检查当前健康度。

---

跨市场参数对比

勘探引擎的杀手锏是跨市场参数对比。同一个算法模型，在不同市场的最优参数差异非常大：

市场	最优窗口	最优阈值	最优周期	评分
A股	12	20	3天	8
港股	30	20	5天	3
美股	6	30	10天	12
日股	14	25	5天	7
韩股	6	30	10天	9

硬套同一个参数的话，会损失平均 40% 的准确率。

---

终端日志

$ python3 2560_darkblade.py --prospect --group [分组ID]
🔍 开始参数空间扫描...
  288种组合 | 首次运行需缓存
━━━━━━━━━━━━━━━━━━━━━━━━━
最优参数: RSI12/阈值20/窗口3天
评分: 8.2 | 历史回溯胜率: 68%
━━━━━━━━━━━━━━━━━━━━━━━━━
✅ 结果已缓存 (下次秒出)

---

系统说明：本文记录参数优化系统的搭建过程，不构成任何决策参考。