分位数回归森林预测条件收益分布：不只点预测还要分位
点预测只能回答『明天涨多少』，但交易真正关心的是『明天涨跌的完整分布』——上分位能不能突破止损、下尾会不会踩雷。本文用 numpy 从零实现 Breiman 的分位数回归森林（Quantile Regression Forest）：把随机森林的叶子权重 reinterpret 成条件分布的加权经验测度，在异方差合成数据上同时估计 5%/25%/50%/75%/95% 条件分位。实验表明 QR 森林的平均 Pinball Loss 仅 0.239，与异方差 RF 残差基线（0.240）持平，但远胜错误同方差假设（0.381，+59%）；条件覆盖最大绝对误差仅 0.031。附完整 Python 代码与四张真实计算图。