Der Kalman-Filter: Vorhersage, Innovation und Aktualisierung
Erfahren Sie mehr über den Vorhersage- und Aktualisierungszyklus des Kalman-Filters, wie der Gain Unsicherheit ausgleicht, wann der Filter optimal ist und woran Finanzanwendungen scheitern können
Kurzantwort
Der Kalman-Filter schätzt den bedingten Mittelwert und die Unsicherheit eines latenten Zustands in einem linearen Gaußschen Zustandsraummodell rekursiv. Zuerst sagt er Zustand und Kovarianz durch die Übergangsgleichung voraus und vergleicht dann die neue Beobachtung mit ihrer Vorhersage. Dieser Prognosefehler ist die Innovation. Der Kalman-Gain entscheidet, wie viel davon den Zustand aktualisiert, indem er die Unsicherheit des vorhergesagten Zustands gegen die Messunsicherheit abwägt. Die Rekursion ist unter ihrem Modell exakt, doch schlechte Dynamik, falsche Rauschkovarianz, Nichtlinearitäten, Ausreißer oder eine Abstimmung mit zukünftigen Daten können eine präzise Schätzung irreführend machen
Der Filter beginnt mit einer Wahrscheinlichkeitsaussage
Zu jedem Datum führt der Filter eine Zustandsschätzung und eine Fehlerkovarianz und nicht nur einen Punkt auf einer glatten Linie
Linearität macht Zustand und Beobachtung zu affinen Funktionen vergangener Zustände und Störungen. Gaußsche Annahmen halten bedingte Verteilungen gaußsch
Unter diesem Modell ist der bedingte Mittelwert die Schätzung mit minimalem mittleren quadratischen Fehler. Außerhalb dieses Modells kann die Rekursion weiterhin nützlich sein, verliert aber denselben Optimalitätsanspruch
Die Vorhersage bewegt Mittelwert und Unsicherheit
Die Übergangsmatrix projiziert die vorherige Zustandsschätzung nach vorn. Steuerungen oder bekannte Eingaben können den vorhergesagten Mittelwert verschieben
Auch die Kovarianz wird fortgeschrieben und durch Prozessrauschen vergrößert. Ein Zustand, der sich schnell verändern darf, wird zwischen Beobachtungen unsicherer
Diese Vorhersage a priori verwendet keine aktuelle Beobachtung. Ihre Trennung von der Aktualisierung macht die Informationsdisziplin in Echtzeit prüfbar
Die Innovation misst neue Information
Die Innovation ist der beobachtete Wert minus der durch die Messgleichung vorhergesagte Wert. Sie ist der Teil, den der vorherige Zustand nicht vorweggenommen hat
Ihre Varianz verbindet die projizierte Zustandsunsicherheit mit Messrauschen. Eine große rohe Überraschung kann gewöhnlich sein, wenn diese Varianz groß ist
Über die Zeit sollten korrekt spezifizierte standardisierte Innovationen wie unvorhersehbares Rauschen aussehen. Serielle Muster zeigen Informationen, die das Modell nicht aufgenommen hat
Der Kalman-Gain verteilt die Überraschung
Der Gain übersetzt die Innovation in eine Zustandskorrektur. Er steigt, wenn die Vorhersage des Zustands im Verhältnis zur Messung unsicher ist
Bei verrauschten Beobachtungen ist der Gain kleiner und der Filter bewegt sich weniger. Bei einer präzisen Messung wird mehr von der Überraschung zu einer Revision des Zustands
Im Allgemeinen ist der Gain kein fester Glättungsparameter. Er entwickelt sich mit Kovarianzen, fehlenden Daten und zeitveränderlichen Systemmatrizen
Kovarianzaktualisierungen sind Teil der Antwort
Nach der Beobachtung schrumpft die Zustandskovarianz, weil Unsicherheit aufgelöst wurde. Prozessrauschen vergrößert sie bei der nächsten Vorhersage wieder
Numerisch stabile Kovarianzformeln sind wichtig, weil Rundung Asymmetrie oder eine Matrix erzeugen kann, die nicht positiv semidefinit ist
Konfidenzbänder, die nur auf gefilterter Kovarianz beruhen, können Parameterunsicherheit auslassen. Geschätzte Übergangs- und Rauschparameter führen eine weitere Ebene ein
Initialisierung und Likelihood beeinflussen den gesamten Verlauf
Der Anfangszustand kann bekannt, stationär, geschätzt oder diffus sein. Frühe gefilterte Werte können stark von dieser Wahl abhängen
Prognosefehler und ihre Varianzen bilden die Gaußsche Likelihood, die zur Schätzung unbekannter Parameter verwendet wird. Rauschniveaus sollten nicht nur für eine visuell glatte Linie abgestimmt werden
Vergleichen Sie alternative Initialisierungen, Holdout-Prognosen und Randwertschätzungen. Varianzen nahe null oder eine Persistenz nahe eins können auf schwache Identifikation hindeuten
Erweiterungen lösen unterschiedliche Probleme
Der erweiterte Kalman-Filter linearisiert nichtlineare Funktionen lokal; der Unscented-Filter führt ausgewählte Punkte fort; Partikelfilter simulieren eine Zustandsverteilung
Diese Verfahren sind nicht automatisch genauer. Starke Nichtlinearitäten, nicht gaußsche Tails oder multimodale Zustände erfordern verfahrensspezifische Diagnostik
Ausreißerrobuste Beobachtungsmodelle und Regimewechsel können geeigneter sein, als eine lineare Gaußsche Rekursion durch jede Marktbedingung zu zwingen
Finanzfilter sind kein Orakel
Ein Filter kann einen effizienten Preis aus verrauschten Quotierungen, zeitvariablem Beta, latenten Faktoren der Zinsstrukturkurve oder einer sich ändernden Hedge-Ratio schätzen
Die Schätzung hängt von Modell und Parametern ab. Sie enthüllt nicht die Rendite von morgen, nur weil sie das Wort Vorhersage verwendet
Bewerten Sie Ein-Schritt-Innovationen, rollierende Prognosen, Zustandsrevisionen, Umschlagshäufigkeit und Transaktionskosten anhand der Informationen, die zu jedem Datum tatsächlich verfügbar waren
Häufige Fragen
Ist der Kalman-Filter einfach ein gleitender Durchschnitt?
Nein. Seine Gewichte folgen einem Zustandsübergangsmodell und einer sich verändernden Unsicherheit und nicht einem festen Fenster vergangener Beobachtungen
Was bedeutet ein hoher Kalman-Gain?
Er bedeutet, dass die neue Messung im Verhältnis zur Unsicherheit des vorhergesagten Zustands relativ informativ ist
Verwendet der Filter zukünftige Beobachtungen?
Das Filtern nicht, das Glätten schon. Eine historische Implementierung muss diese Ausgaben getrennt halten
Ist der Kalman-Filter immer optimal?
Seine exakte Optimalität für den bedingten Mittelwert setzt voraus, dass das angegebene lineare Gaußsche Zustandsraummodell korrekt ist