挑统计套利机会，像从一排测量结果里挑最高的那个：它可能真高，也可能只是误差最大。传统做法用一个点估计判断残差价差——剔除资产共同波动后剩下的偏离——是否会回归，却不告诉交易者这个判断有多可靠，容易把乐观误差当成机会。
Minkey Chang 提出的 Neural Filter Estimator 先用模拟的均值回归路径训练，再用一次计算为多条价差给出潜在状态的后验分布，也就是“最可能处于什么状态”及其不确定范围。论文最值得注意的结果并非赚得更多：在可核对真相的模拟数据中，它与其他实用方法的判断准确率处于相近区间，后验没有胜过点估计；价值在于更诚实地描述自己可能错多少。
作者称，在韩国股票数据上扣除成本后，传统点估计每个持有期预测的收益比实际高约1000个基点，摊销式方法把这道落差缩小约2至8倍；按后验分配仓位也未增加风险，但收益优势并不明显。换句话说，这项工作给统计套利补上的主要不是新信号，而是把“不确定”正式写进仓位与风险控制。