标签： #元学习

普通神经网络只给一个点预测，但交易里最该知道的是『我有多确定』。神经过程（Neural Process, Garnelo et al. 2018）把函数视为可学习分布，用一组 context 观测点编码成全局表示，对目标点输出高斯均值+方差——天然带置信区间。本文用纯 numpy 从零训练一个条件神经过程（含手写前向/反向），在 GP 元学习任务上证明：95% 区间经验覆盖 0.93（贴近标称）、OOD 未覆盖区 σ 从 0.64 抬升到 0.77（自动承认不确定），而确定性 MLP 永远只有一条过窄的常数带。附完整 Python 与四张真实计算图。

普通模型换个市场、换个 regime 就得从头训，可新环境往往只有几十个样本，根本喂不饱。元学习换个目标：不学『某个市场的最优参数』，而学一个『最容易被少量样本快速微调』的元初始化。本文用纯 numpy 从零实现一阶 MAML（FOMAML），把每个市场建模成因子→收益的线性任务，任务间共享中心 w0、各自偏移 τ=1.1。200 个训练市场上元训练 300 轮，外层 query 损失从 3.65 压到 1.67 逼近 Oracle 下界 1.00。在 100 个全新市场上只用 K=10 个样本适应：MAML 的 MSE 2.85，碾压忽略任务差异的 Pooled 全局模型（7.75，降 63%）和从零学的 Scratch（3.17）。few-shot 曲线显示 MAML 起点就低、一两步就到位；样本量敏感性揭示真相——K 越小 MAML 优势越大（K=3 时 4.73 vs Scratch 5.75），样本足够时三者收敛。拆穿元学习=预训练、任务同分布假设、内外循环学习率耦合、少样本≠零样本四类陷阱（中阶）。

MAML 学的不是模型而是『能快速适应的起点』：每个市场当一个 task，元训练出 θ_meta，新任务只用 K=10 样本一步梯度就贴近最优。合成实验 10-shot MSE 2.07 跑赢 Pooled(2.31)与从零(3.32)，10 种子全胜。附完整 Python（高阶）。