标签： #波动率预测

线性回归只给一个点估计，深度学习连不确定性都给不清。高斯过程（GP）回归的卖点是「均值 + 协方差」一体输出：预测的同时，直接吐出每个点的预测方差。本文用纯 numpy 实现（RBF 核 + 边缘似然超参优化 + Cholesky 求解），在「滞后波动率→次日波动率、且藏了一段概念漂移」的合成数据上，给它画出分布内/分布外的可信带，并诚实拆穿它最核心也最危险的陷阱：平稳核在分布外会过度自信。附完整代码与五类真实陷阱（中阶）。

另类数据里，谷歌趋势是少数公开、免费、可日频获取的零售情绪代理。本文用自洽合成日度搜索量 + GARCH 波动，验证『恐慌搜索领先于波动』（Preis 2013 式水平信号）：样本外 R²=0.073、高搜索量日后 5 日已实现波动 11.7% vs 低量日 7.5%；朴素『高搜索量降杠杆』把回撤从 −98.7% 改善到 −91.7%。诚实拆穿搜索量预测的是波动不是方向、代理偏差与可得性三类陷阱(中阶)。

波动率不是一团模糊的『风险』——上行与下行、连续扩散与跳变，对未来波动的预测力完全不同。本文用已实现半方差(RSV)拆开涨跌，再用 HARQ 修正测量误差，样本外把 RV 预测的 RMSE 从 1.34 压到 1.27、QLIKE 同步下降，并逐一拆解跳变、杠杆效应与测量噪声这三道真实落地关。

HAR-RV 用日内分钟频收益还原已实现方差 RV_t，再以日/周/月三尺度平均把波动率长记忆压成简单线性回归；样本外 R² 达 0.35，跑赢 naive 与单日 AR(1)，附完整 Python 与三类真实陷阱。

日频协方差只有开收两个点、还被隔夜跳空污染。本文用分钟级高频把全天资产联动拼成已实现协方差矩阵：朴素 RC 构造、微观结构噪声的 U 形偏差与 Epps 塌缩、已实现核(RK)救回真实方差与相关系数，再用 HAR-RV 预测波动，附可复现 Python。