标签： #不确定性量化

期权波动率曲面总是稀疏的——只有主力合约 (m,T) 网格上能拿到报价,中间区域要么没数据要么带 bid-ask 噪声。传统线性插值在网格点之间留肉眼可见的折线,最近邻插值在网格上是台阶。本文 numpy 从零实现 2 维 RBF 核高斯过程 (GP) 回归,在含偏度/微笑/期限结构的合成曲面上用 35 个 (m,T) 观测点 (含 3% 乘性噪声) 拟合超参数 (L-BFGS-B 最大化 log 边缘似然),得到 ell_m=1.34, ell_T=1.10, logMLL=98.21。300 个独立测试点上的 RMSE: GP=0.0055 vs 线性=0.0064 vs 最近邻=0.0147;T=0.5 年切片的 RMSE: GP=0.0023 vs 线性=0.0031。GP 还免费给出后验标准差,告诉你哪里可信、哪里别信。附完整 Python 与四张真实计算图。

深度学习因子模型给出的是“点预测”——下期收益 1.2%，却不说“我有多大把握”。真实市场里把握比点值更重要：低把握的预测不该和铁板钉钉的预测一样重仓。本文用纯 numpy 从零实现一个带 dropout 的小 MLP，证明 MC Dropout（推理时保持 dropout 开启、T 次随机前向取均值+方差）能在不重训、不换架构的前提下，给每个预测配一个 epistemic 不确定性。受控实验给出四个诚实结论：分布外样本不确定性显著抬升（OOD 分离 AUC 0.97）、按不确定性弃投 30% 最不确定样本后混合池 RMSE 降 40%、但 MC Dropout 只建模认知不确定性导致 90% 区间实际仅覆盖 50%（叠加 aleatoric 噪声后回到 89%）、且 iid 同方差下 epistemic σ 与单样本误差几乎无关（r=0.08）。附完整 Python 与四张真实计算图。

RL 输出一个 Q 值就下单，但点估计不带可靠性凭证——分布一漂移就「自信地犯错」。共形预测包裹任意预测器输出预测区间，有限样本+分布无关保证以 ≥1−α 覆盖真实收益，唯一假设是可交换性。据此设计带可验证下限的交易规则：仅当共形收益下界>0 才出手。纯 numpy 分裂共形+局部自适应，异方差+协变量偏移合成 bandit 上实测：同分布目标覆盖 90% 实测 91.1%（保证兑现）；门控把开仓即盈利命中率从 76.9% 抬到 97.4%，代价出手率降到 17.1%。诚实翻车：可交换性破坏→偏移 3.0 时覆盖从 90% 崩到 53.8%；边际覆盖达标≠处处达标——普通等宽区间高波动区只覆盖 49%、低波动区 98%，需局部自适应共形拉回 87%~92%。拆穿保证=永真/边际=条件/区间=预测准/无分布=无假设/覆盖达标即可交易五类陷阱（中阶）。

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）。

机器学习给你一个点的收益预测，可你真正想知道的是『我有多不确定』。共形预测用校准集残差的经验分位，在不需要任何分布假设的前提下，给出有限样本可靠的预测区间。本文对比朴素正态区间、普通 Split-Conformal、波动率感知 Conformal 三种方法，配 4 张真实图表与完整 Python。