一套参数在牛市里表现漂亮，换到高波动行情却可能立刻失灵，像只按晴天路况调好的导航。Joshua Le Grice 的研究把“换行情”直接放进选参数的过程：用约 300 只美国大盘股、11 年的每日数据训练五类模型，并在三种统计特征不同的市场状态中做贝叶斯优化——根据已测试参数的成绩，推断下一组最值得尝试的设置。
最值得注意的结果不是深度学习大胜。表格深度学习，即用神经网络处理“每行一个股票—日期、每列一个特征”的数据，没有任何单一架构超过梯度提升树。较好的方案反而是把 XGBoost 与 TabNet 的股票排名合并。作者称，这个组合在留出的 2025 年测试期四个季度里，信号精度都高于随机基线；输入数据逐步加入噪声时，组合表现先缓慢下降，超过某个阈值后才崩塌。论文未在所给文本中披露该阈值及完整收益数字，因此更稳妥的结论是：跨行情调参能帮助检查稳健性，但“某段行情里的好参数”仍不能自动获得穿越周期的通行证。