标签： #不确定性量化

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。