UQ-LOB模块为限价指令簿预测引入不确定性量化
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载给预测配上置信度
现有深度模型在限价订单簿（LOB）上做短期中间价预测时，通常只给出方向或位移，属于点预测，无法说明哪一条预测更可信。UQ-LOB 的做法是在已有编码器之外挂一个轻量模块，不改变原编码器结构，因此可以接到任意预训练 LOB 编码器上。它借鉴 attentive neural process 的思路，让每一次预测都以一组刚完成、结果已知的窗口作为上下文条件，从而把不确定性纳入输出。模块提供两种形式：UQ-regression 对未来 tick 位移输出经过校准的高斯分布，UQ-classification 则输出下跌、上涨、持平三类上的类别分布。两者都会给出一个标量置信度，回归形式用预测信噪比，分类形式用类别概率，用来支持选择性预测，即只保留高置信度的结果。
测试规模与覆盖表现
实验覆盖七种加密资产，共 52 亿条 LOB 事件，预测窗口设为 5 秒、10 秒和 15 秒三档。在区间覆盖上，UQ-regression 达到接近名义值的 68% 区间覆盖率，说明其给出的高斯区间与实际结果的出现频率大体吻合。选择性预测的效果体现在方向性指标上：只保留置信度最高的 10% 预测时，UQ-regression 的方向性宏 F1 提升 0.11 至 0.15，UQ-classification 提升 0.05 至 0.11，并且这一提升在三个时间窗口上都成立。这意味着置信度排序本身携带了有效信息，把低置信样本剔除后，剩余预测的方向判断质量明显更好。
大幅波动下的表现
在幅度较大、经济意义更明显的价格变动上，置信度最高的一档表现更突出：5 秒窗口下，方向性 F1 在下跌方向达到 0.88，在上涨方向达到 0.83。这一结果说明该模块在高置信区间内对显著行情的判别能力较强。需要注意的是，这些数字来自加密资产数据与秒级窗口，适用场景是短周期中间价方向判断，并不直接等同于其他资产类别或更长持有期的表现；模块本身也不改变底层编码器的能力，只是在其输出之上附加不确定性估计与筛选机制。
对使用者的意义
对做算法交易或研究 LOB 预测的读者来说，这套方案的价值在于把“预测什么”与“能否信任”分开处理：底层编码器可以继续沿用已有实现，额外接入的模块负责给出分布与置信度，再按置信度阈值决定是否下单或是否采纳信号。由于模块与编码器解耦，替换编码器时无需重做不确定性部分。限制也很明确：置信度阈值的选择会直接改变保留样本比例与指标表现，68% 覆盖率是校准结果而非保证，实际部署仍需在目标资产与目标窗口上重新验证校准情况。
为什么值得看
为高频算法交易提供可信赖的置信度筛选机制，显著提升高置信区间预测准确率。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。