要调优 SPSA，请参阅 Spall 在他的书中介绍的半自动调优方法随机搜索与优化导论（ISSO）。
有 3 个主要的变量，两个增益序列（_a_ 和 _c_）和扰动分布，δ。
δ 最好选择为 Bernoulli（+/- 1），因为它是渐近最优的（它不能是正态或均匀的，参见 ISSO）。
关于增益序列的性质有一些规则。标准格式很好用，遵循以下格式：
a(k) = a / (k + 1 + A) ^ alpha
c(k) = c / (k + 1) ^ gamma
这里，alpha 和 gamma 的值是联系在一起的，渐近最优的是 _alpha_ = 1 和 _gamma_ = 1/6，但是值 _alpha_ = .602 和 _gamma_ = .101 对于有限情况是适用的。
_A_ 约为总迭代次数的 10 %，_c_ 约为标准误差损失函数的。
_a_ 是最易失性的参数，必须仔细调优。
一般来说，应该选择 _a_（通过选择 _R_），使第一步不会太大，从而使算法向错误的方向发送。
为了能够成功地使用 SPSA 进行调优，需要确定系数 ck 和 Rk 的良好值。
在大多数情况下，确定理想值是不可能的。
对于评估相关参数，我们成功地使用了以下值：
最后一次迭代的：
| 参数 | 位置 | 值 |
|---|---|---|
| Rk | CSV-file，列 5 |
0.002
|
| ck | CSV-file，列 4 |
4 centipawns（8，在 Stockfish 的内部）
|
但是如果 parameter 在 elo 上非常不敏感，则需要使用较大的 ck 值。
此外，如果你对参数的 elo 敏感性有一些想法，以及它离最优值有多远，你可以使用内置的模拟器来发现 Rk 和 ck 的良好值。