标签： #贝叶斯深度学习

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。

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。