第82章 復现包（1 / 5）
江临把那张写著【下一执行目標】的audit_log关掉，新建了一个空白的python文件。
minimal_leak_demo.py
距离对方要求的24小时窗口期，还剩二十三个小时四十一分。
时间够用，但他没有任何懈怠的意思。
构造一个最小復现实验，听起来简单，做起来却是一桩挺讲究分寸的活。
第一，不能用平台提供的那3.4gb原始数据集的任何一个字节。
否则对方可以反咬一口，说他是利用了数据集本身的某种特殊结构在断章取义。
第二，不能太复杂。
如果脚本写得花里胡哨，依赖了一堆奇形怪状的库，对方的工程师在覆核时光是配环境就要折腾半天，覆核流程一拖，事情就容易被冷处理。
第三，必须锁死隨机种子。
任何一个浮点数的微小波动，都可能被对方技术组归因於环境差异，进而拖慢覆核流程。
江临盯著空白的代码窗口，思考了两分钟，然后开始动手，用numpy生成了一段由两个不同分布拼接而成的隨机时间序列。
前八十个数据点，服从均值为零、標准差为一的正態分布，用来模擬训练窗口里平稳的市场行情。
后二十个数据点，被他人为地注入了几个三倍標准差以上的极端值，用来模擬测试窗口里突然出现的异常事件。
整个数据构造过程，不超过十行代码。
隨机种子被锁定为42。
为了避免隨机数生成器版本差异，他乾脆刪除了隨机生成过程，直接把一组最小合成序列硬编码进脚本。
数字没有任何金融含义，只用於证明一个数学事实。
测试窗参与標准化，会系统性压低测试窗內极端值的异常分数。
数据准备好后，他在下方写了两个对照函数。
第一个函数叫leaked_scaler，完全照搬baseline第六十七行的逻辑。
把训练窗和测试窗合併，计算全局均值和全局標准差，然后做標准化。
第二个函数叫causal_scaler，严格遵守时间因果律。
只用训练窗的均值和標准差，去標准化测试窗。
然后，他让两个函数分別对同一份合成数据进行处理，把標准化之后的异常分数列印出来。
最后再加一行matplotlib画图代码，把两组结果叠在同一张图上。
代码总长不到四十行。
江临点击运行。
不到一秒钟，屏幕上跳出了那张对照图。
跟之前用真实数据跑出来的结果几乎一模一样。 ↑返回顶部↑
minimal_leak_demo.py
距离对方要求的24小时窗口期，还剩二十三个小时四十一分。
时间够用，但他没有任何懈怠的意思。
构造一个最小復现实验，听起来简单，做起来却是一桩挺讲究分寸的活。
第一，不能用平台提供的那3.4gb原始数据集的任何一个字节。
否则对方可以反咬一口，说他是利用了数据集本身的某种特殊结构在断章取义。
第二，不能太复杂。
如果脚本写得花里胡哨，依赖了一堆奇形怪状的库，对方的工程师在覆核时光是配环境就要折腾半天，覆核流程一拖，事情就容易被冷处理。
第三，必须锁死隨机种子。
任何一个浮点数的微小波动，都可能被对方技术组归因於环境差异，进而拖慢覆核流程。
江临盯著空白的代码窗口，思考了两分钟，然后开始动手，用numpy生成了一段由两个不同分布拼接而成的隨机时间序列。
前八十个数据点，服从均值为零、標准差为一的正態分布，用来模擬训练窗口里平稳的市场行情。
后二十个数据点，被他人为地注入了几个三倍標准差以上的极端值，用来模擬测试窗口里突然出现的异常事件。
整个数据构造过程，不超过十行代码。
隨机种子被锁定为42。
为了避免隨机数生成器版本差异，他乾脆刪除了隨机生成过程，直接把一组最小合成序列硬编码进脚本。
数字没有任何金融含义，只用於证明一个数学事实。
测试窗参与標准化，会系统性压低测试窗內极端值的异常分数。
数据准备好后，他在下方写了两个对照函数。
第一个函数叫leaked_scaler，完全照搬baseline第六十七行的逻辑。
把训练窗和测试窗合併，计算全局均值和全局標准差，然后做標准化。
第二个函数叫causal_scaler，严格遵守时间因果律。
只用训练窗的均值和標准差，去標准化测试窗。
然后，他让两个函数分別对同一份合成数据进行处理，把標准化之后的异常分数列印出来。
最后再加一行matplotlib画图代码，把两组结果叠在同一张图上。
代码总长不到四十行。
江临点击运行。
不到一秒钟，屏幕上跳出了那张对照图。
跟之前用真实数据跑出来的结果几乎一模一样。 ↑返回顶部↑