标签： #分位数回归

点预测答不出「明天最坏跌多少」。分位数 RNN（QRNN）把 RNN 的隐状态接 5 个输出头，用 pinball 损失同时学 τ=0.05/0.25/0.5/0.75/0.95 五条条件分位数——隐状态自动记住波动聚集，区间随市场松紧收放。纯 numpy 从零实现 Elman RNN + 截断 BPTT + 分位损失（手推 pinball 次梯度），在 GARCH(1,1)+t(5) 合成收益上样本外 1000 步实测：QRNN pinball=0.2720 逼近 Oracle（真实 σ+t 分位）的 0.2694，90% 区间覆盖 88.5%，区间宽度与真实波动相关 0.861——碾压滚动历史分位的 0.137；但诚实告败：EWMA-高斯（RiskMetrics，2 个参数）pinball=0.2717 与 QRNN 打平，因为数据生成过程恰好是它的主场。真实翻车实测：独立训练 5 个分位数模型 → 1.9% 时间步分位数交叉（q̂₀.₀₅ > q̂₀.₂₅），联合训练+单调重排才干净；高波动 regime 覆盖率掉到 86.8%。拆穿区间=分布/覆盖率达标=校准/深度必胜EWMA/交叉不重要/合成赢=实盘赢五类陷阱（中阶）。

传统模型只给「明天涨 3%」一个点预测，却答不出「这个数我有多不确定、最坏会跌多少」。分位数回归森林（QRF, Meinshausen 2006）把随机森林的每个叶节点存成样本集合，预测时直接对落点叶的样本求经验分位——于是一次预测吐出整条条件收益分布，而非一个点。本文用纯 numpy 从零实现回归树 + 随机森林 + QRF，在「异方差 + 左偏」的合成收益上实测：90% 区间经验覆盖 QRF=0.874、OLS-正态=0.902、CRPS QRF=0.531 优于 OLS 正态的 0.563 与线性 QR 的 5.326，并诚实拆穿「森林=平滑均值 / 分位单调 / 样本量免费 / OOB 替代 / 分布外可信」五类真实陷阱（中阶）。

你用正态假设算出 5% VaR = -3.8%，意思是「只有 5% 的日子会亏更多」。可一遇到市场紧张，亏损远超这条线的日子占到 16.6%——正态 VaR 在高压区彻底失灵。问题出在它假设波动恒定、分布对称。分位数回归（QR）用检查损失函数直接拟合「条件分位数」，让 VaR 随一个压力代理变量自适应移动，同时捕捉异方差和偏度。本文用合成异方差+左偏收益，从零实现 Pinball 损失与 QR-VaR，并点明压力变量选择、过拟合、尾部外推、回归vs模拟四类真实陷阱（中阶）。

OLS 只建模条件均值，但风险管理关心尾部。分位数回归用 check function 钉住任意条件分位，把「看均值」升级成「看整个条件分布」。本文从零实现 LP 求解，演示 QR 喇叭形展开、与 OLS 的尾部盲区对比、条件 VaR 回测，以及系数路径揭示的尾部不对称性，附可复现 Python。