金融时间序列中的保形预测探索（基础篇）
用保形预测给价格区间上置信带
保形预测（Conformal Prediction）不依赖分布假设，直接对金融时间序列的历史残差做经验分位数，从而给出带覆盖概率的价格区间。在 MT5 上做这类实验，核心是先拿到标的的真实值与模型预测值之差，再按校准集排序取分位点。
原文示例基于 2026 年 6 月 9 日发布的 MQL5 文章框架，其回测样本覆盖约 330 次信号触发，说明该思路在 EURUSD 小时图上有可复现的统计基础。外汇与贵金属属高杠杆品种，区间仅代表历史覆盖倾向，实盘仍可能击穿。
落地时建议先用 CSymbolInfo 拉取点差与最小变动价，避免在极端滑点时段把置信带误当止损边界。
◍ 保形预测给模型加一层风险护栏
MAPIE 是 scikit-learn-contrib 生态下的开源 Python 库，底层走保形预测（conformal forecast）与无分布推断，理论保证不依赖数据分布假设。它用独立的校准集做不确定性量化，能为回归给预测区间、为分类和时间序列给预测集合，覆盖率如 95% 是可显式设定的参数。 它最实用的地方是模型无关：任何兼容 sklearn API 的模型都能直接挂上，包括用包装器接进来的 TensorFlow、PyTorch 网络。对做外汇或贵金属的交易者来说，你不必推翻原有 LSTM 或随机森林策略，套一层就能出区间估计，落地成本明显低于重训一套贝叶斯模型。 在 MT5 之外的研究端，这类工具的价值不在「预测更准」，而在把单点信号变成带概率的风险指标。比如模型给 XAUUSD 出 buy，但校准后的区间很宽、错判概率偏高，风控端就可以把仓位从 2% 降到 0.5% 或直接跳过——外汇和贵金属杠杆高、跳空频繁，这种「可量化的犹豫」比盲信信号更抗揍。
「保形预测为什么适合金融脏数据」
保形预测（CP）给分类任务吐预测集合、给回归任务吐预测区间，并锁定覆盖率概率。比如设 90% 置信水平，真实值至少有 90% 概率落进区间，而且是有限样本保证，不是大数定律下的渐近近似。 它最硬的一点是不吃数据分布：不要求残差正态、不要求同方差、不要求增量独立。唯一前提是训练点与测试点可交换——等价于来自同一联合分布且次序无关。这比 i.i.d. 假设还弱，金融里厚尾、异方差的序列通常也能凑合满足。 金融数据 notoriously 不服从正态分布，传统区间靠正态假设只能拿到近似覆盖率，分布错配会低估风险。CP 绕开这套，直接在真实复杂样本上给可靠置信水平，对量化交易者的资金分配论证更站得住脚。 实际跑法：拿训好的 ML 模型在没见过的校准集上算一致性分数（保形评分），取分位数定区间。从近似覆盖率切到有限样本保证，等于把模型监管和风控逻辑重写了一遍——外汇、贵金属这种高波动品种，错设分布会要命，CP 至少把错误率控在明面上。
用预测集合替代单点信号看多空
传统二分类给的是单点结果：要么标签“买入/卖出”，要么概率分数如买入 0.8。保形预测不这么干，它吐出一个预测集合——可能是 {买入}、{卖出}，也可能是 {买入,卖出}，并且以你设的置信水平保证真实标签落在这个集合里。 二分类下集合就三种状态：单类别（{买入} 或 {卖出}）代表模型置信高；双类别（{买入,卖出}）代表信号模糊、方向分不清；空集在 APS 这类方法里极少出现，真碰上了就是极端不确定、没任何类别过阈值。 集合大小和“信息量”反比：{买入} 这种越小越值钱，{买入,卖出} 这种越大越没用。把不确定性直接摊开，决策逻辑就变了——不再是机械跟单，而是看模型自己敢不敢收窄。 对交易者来说，集合宽泛如 {买入,卖出} 不是模型错了，是它在目标置信下区分不了多空，这种单子外汇/贵金属这种高波动品种里就该观望或压到最小敞口；集合紧凑才分配资金。等于拿集合宽度当风险容忍度的尺子，动态调仓比死磕单点信号更抗揍。
◍ 平均达标不等于每类都靠谱
保形预测器有个硬性质叫边际覆盖率：只要样本满足可交换性，不论底层模型和数据怎么来的，预测集合在平均意义上的覆盖概率都不会低于设定的 1−α。比如设 α=0.1，理论上平均有 90% 的预测集合能罩住真实标签。 但边际覆盖率只是个平均数。金融二分类里数据集常极度不平衡——「观望/不交易」信号可能占绝大多数，「买入」「卖出」很稀少。假设 1000 个样本里 900 个是不交易、100 个是关键买卖信号，模型在不交易上 99% 准、在买卖上只有 10% 准，整体仍能凑出约 90% 的边际覆盖率。 条件覆盖率要的是按类别单独达标。用 Mondrian 保形预测这类分桶校准，可以让「买入」「卖出」「不交易」各自都逼近目标置信水平，而不是被多数类拉平。外汇与贵金属杠杆高、稀有事件成本大，关键信号漏判可能直接吞掉数周盈利，因此开 MT5 做信号回测时，别只看总体准确率，要拆类看覆盖。 把条件有效性补上，模型在每一类市场环境与黑天鹅里的表现才更可信。这对跑算法交易的稳健性不是锦上添花，而是避免系统性偏差的必要一道关。
「用一致性分数给市场异常打分」
一致性分数是保形预测里量化新样本偏离校准集程度的核心量。它的硬约束只有一条：分数越高，输入和假设标签的匹配越差。校准集上算出的分位数就是临界点，测试样本的预测集合边界直接由它定。 MAPIE 里这类分数分对称和非对称两路：回归用绝对残差、Gamma 分数等，分类则走 LAC、APS、RAPS 专用方法。选哪个不是调参细节，而是策略决策——它直接改写了预测集合的可解释性和实战可用性。 LAC 在高不确定性下可能吐出空集，放在外汇或贵金属行情里等于没给可执行信号，对短线策略不友好；APS 从设计上规避空集，总能返回若干合理标签。量化交易者得按自己要的信息量和风险容忍度挑评分方式，贵金属杠杆高、跳空频繁，空集风险更要提前压住。 把“一致性”放到盘面上看，它本质是给数据驱动模型的异常值打标。价格突兀拉伸、成交量瞬间翻倍、突发利率新闻，都会让新样本分数飙高，明显脱离校准历史。这种高分数可当市场状态切换的早期预警，提示你降频或停掉 EA，比单纯盯模型准确率更贴近风控实处。