在算法交易中，短期限价订单簿（LOB）中价的走势预测是核心任务。传统深度模型大多给出点预测——仅返回方向或位移，却不提供预测可信度。UQ-LOB 提出一种轻量、编码器无关的不确定性量化（UQ）模块，可附加在任意预训练的 LOB 编码器上。该模块借鉴注意力神经过程的思想，利用最近已完成窗口的上下文集合对每一次预测进行条件化。
UQ‑regression 变体输出未来 tick 位移的校准高斯分布 $\mathcal{N}(\mu,\sigma^2)$，并给出标量置信度（预测的信噪比）。UQ‑classification 变体则输出下跌/上涨/持平三类的概率分布，同样提供类别概率作为置信度。置信度支持选择性预测，即只在高置信度区间使用模型输出。
在 52 亿条 LOB 事件、七种加密资产以及 5、10、15 秒三个预测窗口的实验中，UQ‑regression 实现了约 68% 的区间覆盖率。若仅保留置信度最高的 10% 预测，宏观 F1 分数在所有时间尺度上提升 0.11‑0.15（回归）和 0.05‑0.11（分类）。在大幅度、经济意义显著的价格变动中，最紧的置信度层在 5 秒预测窗口上分别达到了 0.88（下跌）和 0.83（上涨）的方向性 F1。
该方法的优势在于：① 与现有编码器兼容，无需重新训练；② 通过高斯或离散分布直接量化预测不确定性；③ 置信度可用于风险控制和交易决策的过滤。
点评