状态机里最好的那个区域，数学上永远到不了¶

现象¶

我的量化系统里有一个三态市场状态机：把每个板块的动力学状态判定为 stable（稳态）/ transition（过渡）/ critical（临界）。围绕它建了一整套消费逻辑：板块过滤只允许 stable 行业入池、仓位门控在 critical 时禁止新开仓、过渡期自动缩仓。

问题是：stable 从来没有出现过。一次都没有。

没有报错，没有告警，没有任何异常——只有一个统计学上的痕迹：几万次判定的结果分布里，永远缺一个类别。更要命的是，这个"永远缺一个"在系统里长出了两层完全不同的后果：

板块过滤：stable 行业永远是空集 → 每个调仓日都触发兜底回退全市场 → 过滤器形同虚设（A/B 验证里，开过滤和不开过滤的逐日持仓完全相同）；
仓位门控：系统永远处于 critical/transition → 模拟盘下单引擎长期禁止新开仓。

同一个缺陷，在两个消费点上一个"无害地失效"，一个"保守方向地瘫痪"。而它的表面现象，是一个看起来像业务结论的东西：市场从不稳定。

直觉判断的盲区¶

面对"stable 从不出现"，直觉给出的路线有三条，每条都看起来合理：

当业务结论接受：市场本来波动就大，没有稳态很正常——何况 critical 和 transition 此消彼长，分布看起来是"活的"；
当参数问题调参：把 ε 调大一点、原型数改一改、训练窗口挪一挪——但在同一个（坏掉的）度量空间里，没有任何参数能修复空间错位；调参注定无效，却每次都会带来"有进展"的错觉；
当数据问题补数据：训练样本不够、特征不行、模型不行。

三条路的共同盲区：默认了"距离计算是对的"。验证正确理解的入口，恰恰是绕过一切调参、直接构造反证——输入一个必然落在原型中心的点，看距离是不是零。一个恒为 False 的判定值，最危险的地方不是它错了，而是它错得像一个结论：报告和图表都会顺着"市场从不稳定"讲下去，没有任何异常会拦住你。

至于二次标准化那行代码当初为什么被写出来，已无法还原——它只是低维几何直觉的直译，并且在任何一次代码审查里都长得无害。局限不在于写错了一行，在于没人问过"这个阈值在这个空间里够得着吗"。

排查与关键证据¶

起点是一次 A/B 验证。 我想做"先按板块状态锁定板块、再在板块内选股"的收益验证，四臂对照跑出来，开了过滤的 A1 和不开过滤的 A0 逐日持仓完全相同。方法无效？还是方法根本没被执行？——顺着这个问题挖下去。

第一个证据，反证实验。 构造一个"输入恰好等于某个原型中心"的点：它到这个中心的距离按定义应该是 0。实测：19.13σ。一个点到它自己的距离是 19 倍标准差——只有一种可能：距离计算里的两个坐标不在同一个空间。

根因是二次标准化：模型训练时存入的原型中心已经是标准化空间的坐标，而推理函数又对它做了一次"减均值除方差"。空间错位，距离被系统性放大，ε 覆盖判定恒 False。

第二个证据，量纲分析。 修掉二次标准化之后，stable 仍然是 0。这才是更深的坑：特征空间是 14 维标准化空间，点到最近原型中心的期望距离约 √14≈3.7σ，训练样本的实测中位数在 2~5σ 之间；而配置里的固定 ε=0.15，折算到每一维只有约 0.04σ。这个覆盖球在数学上几乎不包含任何点。ε 不是"太小"，是在这个空间里语义蒸发。

第三个证据，校准后的反转。 把 ε 从固定值改为"训练样本到最近原型距离的分位数"（q75 校准出 ε≈3.2，q50 校准出约 2.4），stable 占比从 0 跳到 10% / 4.4%（板块面板库），换市场级模型库后是 46%。两个分位方向一致，排除单点巧合。修复前后各配了 11 项回归测试：中心点距离必须小于十的负六次方、中心点必须落进 ε 覆盖、端到端必须能判出 stable、校准值必须经存取往返保持。

根因¶

三层，一层比一层难自查：

表层（bug）：存储空间与推理空间的约定不一致。中心存的是标准化坐标，推理时又标准化了一次。
深层（设计）：高维空间的几何直觉失效。ε 覆盖是从低维几何借来的概念，方法论文档里它理直气壮，落到 14 维标准化空间后，它的数值语义完全变了。阈值不随度量空间重新校准，就只是一段死字母。
伴生（工程）：同一个 ε 在置信度模块里引用的是配置默认值、在推理模块里引用的是模型携带值——两处来源不同，常量多出处必然漂移。
最深层（组织）：方法论文档里其实早就写着一条原则："阈值需再校准"。但它只是一行字。文档里的约束，要么变成代码里的强制环节（校准函数、断言、测试），要么必然失效。

还有一个值得单独说的教训：结果分布本身就是监控对象。一个类别长期零命中，在调试它之前，先把它当作系统疑点——"业务结论"和"系统故障"在这里长得一模一样。

约束与取舍¶

放弃固定 ε 的绝对几何语义，改为训练分布分位校准。 固定值可解释、可从方法论直接引用；校准值数据驱动、能落地。代价：ε 失去先验含义，每次重训都可能变，必须随模型元数据持久化、并对旧结果对象做兼容回退。
放弃马氏距离 / 逐维校准方案。 各向异性特征空间里球形覆盖仍是近似，但马氏距离的实现和调参复杂度在这个阶段不值。代价：覆盖语义仍是近似——这是一个明知保留的已知缺陷。
修复不追求"一步到位的正确阈值"，追求"阈值有定义方式"。 校准分位本身也是超参，同样有多重检验风险——这一点在验证报告的局限里写明了，不能装作没有。

可复用检查清单¶

任何"距离/相似度阈值"上线前，先打印它在实际度量空间里的分位——不可达的阈值等于没有阈值；
度量空间只在代码里定义一次：谁标准化、在哪标准化、存的坐标属于哪个空间，写成约定或类型约束；
状态机的每个可达区域，必须有一个"构造出必然落入该区域的输入"的回归测试；
分类结果的分布本身要监控：某类别长期零命中不是业务结论，是系统疑点；
同一常量被多模块使用时只允许一个出处（随模型持久化），禁止各处兜底默认值；
方法论文档里的每条"必须"，要么变成代码里的强制环节，要么注定失效。