标签： #高斯过程

网格搜索调策略参数是暴力枚举，参数一多组合数指数爆炸；随机搜索省了枚举却盲目乱撞。贝叶斯优化换个脑子：每跑一次回测都是一次昂贵采样，它用高斯过程（GP）在已跑过的点上拟合一个『代理曲面』连同不确定度，再用采集函数（EI）权衡『去已知的好区域深挖』和『去没探过的区域碰运气』，把下一次回测的算力花在最值得试的参数上。本文从零手写 GP 代理 + EI 采集，在一个多峰目标上对比贝叶斯优化 vs 随机 vs 网格的收敛速度——同样逼近全局最优，贝叶斯优化用的回测次数是网格的零头。最后拆穿最致命的坑：在验证集上优化超参本身就是一种过拟合，优化得越狠样本外亏得越惨（中阶）。

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）。