概率积分变换：如何评估密度预测的校准

点预测可能说次日收益率为 0.2%；密度预测则为整个收益率范围分配概率，覆盖常见波动与极端事件。评估要问的是：结果发生前发布的分布是否与之后的观测相符。Mincer–Zarnowitz 指南讨论数值点预测的线性校准，是另一个问题。

PIT 衡量预测分配给“不高于实际值”的累积概率。它是概率秩，不是收益、交易信号或利润指标。Diebold–Mariano 指南按选定评分比较平均预测损失，回答的问题不同于密度校准。

令预测起点 (t) 之后的结果为 (Y_{t+1})，令 (F_{t+1}(y\mid\mathcal I_t)) 为仅基于当时可用信息 (\mathcal I_t) 的预测累积分布函数（CDF）。连续分布的 PIT 为

Uₜ₊₁ = Fₜ₊₁(Yₜ₊₁ | 𝓘ₜ)

CDF 表示取值不超过 (y) 的概率。若预测 CDF 是真实条件分布，PIT 定理给出

Pr(Uₜ₊₁ ≤ u | 𝓘ₜ) = u, for 0 ≤ u ≤ 1

因此，理想的连续一步预测会在给定预测信息时产生均匀 PIT。若序列信息包含过去，且假设成立，理想 PIT 在各预测起点之间也独立。Rosenblatt 研究了这一变换；Diebold、Gunther 与 Tay 将 PIT 序列用于密度预测评估（1952；1998）。

手算示例：预测为 (N(0,1))，观察值为 (y=1)，则 PIT 为 (Phi(1)\approx0.8413)，表示约 84.13% 的预测概率位于 1 以下。单次观测无法判定校准，需要一组预测与结果。

离散 CDF 会在可能结果处跳跃，因此普通 (F(Y)) 只能取有限的若干值，即使预测正确也通常不服从 Uniform(0,1)。随机 PIT 用随机数填满每个跳跃区间：

Uₜ₊₁ = Fₜ₊₁(Yₜ₊₁⁻ | 𝓘ₜ) + Vₜ₊₁ [Fₜ₊₁(Yₜ₊₁ | 𝓘ₜ) − Fₜ₊₁(Yₜ₊₁⁻ | 𝓘ₜ)]

(F(y^-)) 是左极限，即结果严格小于 (y) 的概率；(V) 是仅用于评估的独立 Uniform(0,1) 随机数。连续分布没有跳跃，公式就化为 (F(Y))。Brockwell 证明该随机变换适用于一般分布，包括离散和混合分布（2007）。对于有序计数数据，Czado、Gneiting 与 Held 还讨论了非随机 PIT 和边际校准图；不要把离散 (F(Y)) 当作连续均匀变量来评估（2009）。

假设 Bernoulli 预测满足 (P(Y=1)=0.20)、(P(Y=0)=0.80)。普通 PIT 在 (Y=0) 时为 0.80，在 (Y=1) 时为 1.00，并不均匀。随机化后，(Y=0) 映射到 ([0,0.80]) 中的 (0.80V)，(Y=1) 映射到 ([0.80,1]) 中的 (0.80+0.20V)。按事件概率加权后，整体密度在 ([0,1]) 上均匀。随机数只是评估工具，不属于预测本身。

边际 PIT 均匀是理想连续预测的必要条件，但并非充分条件。不同市场状态中的相反错误可能在汇总后抵消，使直方图看上去平坦。Gneiting、Balabdaoui 与 Raftery 展示了 PIT 近似均匀、个别预测却有偏的情况（2007）。

顺序同样重要：序列的边际直方图可以均匀，却仍存在时间依赖，例如聚集或长串相似值。理想条件预测蕴含的内容超过汇总均匀性。若预测期重叠，参考分布和独立性条件也要反映重叠；不能默认 iid 检验适用。

除 PIT 分布外，也要检查它与时间、滞后值、预测起点变量及预先定义状态的关系。分组图或条件检验可揭示被汇总掩盖的模式，但分组选择和有限样本会带来限制。有限组检验不能证明对所有可能条件变量都已校准。

U 形常与预测过度集中或离散程度不足相符；中间隆起常与预测过度分散相符；左右不对称可能提示位置偏差。这些只是启发式线索，并非唯一诊断：依赖、状态混合、离散结果、分箱方式和小样本都可能造成误读。

直方图丢掉了观测顺序，无法显示问题何时开始、极端 PIT 是否聚集或某个子群体是否失准。分箱过宽会掩盖问题，过窄则可能显出抽样噪声。尽可能报告预测数量、箱界和不确定性。Diebold–Gunther–Tay 框架与 Berkowitz 检验都是需要匹配研究设计假设的正式方法。Berkowitz 将内部 PIT 转换为 (Z_t=\Phi^{-1}(U_t))，检验独立标准正态的联合原假设，对比指定的动态备择（如 AR(1)）；这不是通用合格证（2001）。

<!-- learn:illustration -->

均匀性结论假设 CDF 就是真实条件分布。实际中参数需要估计，分布族、阈值和特征也要选择，因此 (F_{t+1}(\cdot;\hat\theta_t)) 属于预测流程的一部分。若用评估期结果拟合模型，再把 PIT 称为未触碰的样本外证据，就是信息泄漏。

滚动评估要在每个起点只用当时可用的信息，并记录估计窗口、重估频率、数据版本、模型版本和选择步骤。相邻窗口通常共享观测，重叠结果会进一步造成依赖。

检验的尺寸与功效取决于估计量、样本和程序。PIT 直方图不包含参数不确定性；教材里的 iid 参考值也不适用于所有估计或重叠设计。若推断重要，应选与设计匹配的检验，或重复完整估计与预测流程来模拟/自助法构造原假设分布。必要时，将最终评估样本留在模型选择之外。

校准关注预测和结果之间的关系：被赋予某个概率的事件是否以相应频率发生？锐度描述预测分布自身的集中程度，不看结果。Gneiting、Balabdaoui 与 Raftery 指出，锐度应在校准成立的前提下追求，不能替代校准。

较宽的预测可能校准良好但信息量有限。较窄的预测看似精确；若结果频繁落在其概率质量范围外，仍可能校准不佳。PIT 检查分布一致性，锐度摘要描述离散程度或区间宽度。只报告其中之一会遗漏一部分评价。

总体 PIT 平坦可能掩盖波动状态或预测期下的错误。重要条件应提前定义。这与点预测回归以及Giacomini–White 条件预测能力检验相关但不同；后者按选定信息比较条件预测损失。

PIT 主要是诊断工具，不会单独给密度预测排序。对数评分与连续排序概率评分（CRPS）为每个预测—结果组合分配标量损失；按定义，报告真实预测分布可使期望损失最小。但单个样本的平均值不能证明模型正确。Model Confidence Set 指南介绍集合式比较。比较密度预测时，应使用针对完整分布定义的评分，并在相同结果上计算。

说明预测目标、预测期、共同日期、损失约定与基准。对数评分对观测点处极低密度尤其敏感；CRPS 比较 CDF，敏感性不同。评分差的不确定性应考虑序列依赖、估计和模型搜索。PIT 图与评分各有作用，可一并报告。

校准或更优评分都不能证明交易盈利。交易主张还需独立定义决策规则、信息可用时点、头寸规模、交易与资金成本以及样本外收益评估。预测评价统计量不是回测收益。

先固定目标、预测期、起点时间、结果版本，以及分布属于连续、离散还是混合。保存每个预测 CDF 或足以重建它的数据，并记录实际值和信息集。连续情形计算 (F_t(Y_t))；有跳跃时，记录随机 PIT 方法或使用适用于离散数据的诊断。

检查边际分布和时间顺序，说明分箱、样本量、并列值处理以及随机种子/重复随机化方案。针对事先定义的问题添加独立性或条件检验，并采用适用于滚动、重叠或估计流程的推断。模型比较另用适当评分，在相同留出结果上进行。结论只适用于所定义的预测和条件，不保证未来校准或交易收益。