Zustandsraummodelle und latente Zustände
Verstehen Sie Übergangs- und Messgleichungen, Filterung, Prognose, Glättung, Identifikation und wie Zustandsraummodelle sich verändernde Finanzsignale darstellen
Kurzantwort
Ein Zustandsraummodell trennt einen sich entwickelnden, aber unbeobachteten Zustand von den verrauschten Messungen, die dieser Zustand erzeugt. Die Übergangsgleichung beschreibt, wie sich der latente Zustand verändert; die Messgleichung verbindet ihn mit beobachteten Daten. Die Prognose nutzt Informationen vor einer neuen Beobachtung, die Filterung aktualisiert den Zustand anhand der aktuellen Beobachtung und die Glättung revidiert frühere Zustände mithilfe der vollständigen Stichprobe. Der geschätzte Zustand hängt vom Modell ab und ist keine direkt entdeckte Wahrheit, daher müssen Identifikation, Rauschannahmen, Initialisierung und Echtzeitrevisionen sichtbar bleiben
Beobachtungen und Zustände spielen unterschiedliche Rollen
Ein Marktpreis ist beobachtbar, während ein effizienter Preis, ein Trend, eine Volatilität oder eine Risikoprämie als latenter Zustand behandelt werden kann
Der Zustand ist eine kompakte Zusammenfassung, die zur Beschreibung der Dynamik und zur Prognose zukünftiger Beobachtungen benötigt wird. Er muss keinem physisch messbaren Objekt entsprechen
Die Wahl eines Zustands ist eine Modellierungsentscheidung. Die Bezeichnung einer Residualkomponente als „fundamentaler Wert“ macht diese ökonomische Interpretation nicht identifiziert
Zwei Gleichungen definieren die Darstellung
Die Übergangsgleichung bewegt den Zustand von einem Datum zum nächsten und verwendet Persistenz, Steuergrößen und Prozessrauschen
Die Messgleichung bildet den aktuellen Zustand auf beobachtete Variablen ab und fügt Messrauschen oder kurzlebige Störungen hinzu
Zeitvariable Matrizen können sich verändernde Exponierungen, fehlende Beobachtungen, saisonale Strukturen oder bekannte Eingriffe darstellen, ohne die Grundlogik zu ändern
Prognose, Filterung und Glättung verwenden unterschiedliche Informationen
Eine Einstufenprognose schätzt den nächsten Zustand oder die nächste Beobachtung aus Daten bis zum Zeitpunkt t−1. Sie ist der echte Echtzeit-Prior
Die Filterung konditioniert auf Beobachtungen bis zum Zeitpunkt t und aktualisiert den aktuellen Zustand. Die Glättung verwendet spätere Beobachtungen, um einen früheren Zustand zu revidieren
Ein geglätteter historischer Chart kann sauberer aussehen als alles, was live verfügbar war. Backtests dürfen geglättete Zustände nicht durch Echtzeit-Filter-Schätzungen ersetzen
Identifikation kommt vor der Berechnung
Unterschiedliche Rotationen, Skalierungen oder Zerlegungen der Zustände können dieselbe beobachtete Verteilung erzeugen. Ohne Einschränkungen sind Bezeichnungen und Einheiten latenter Komponenten nicht eindeutig
Das Festlegen von Ladungen, Varianzen, Vorzeichen oder Zustandsreihenfolge kann eine Darstellung identifizieren, aber jede Einschränkung trägt eine ökonomische Bedeutung
Eine Beinahe-Nichtidentifikation zeigt sich in flachen Likelihoods, instabilen Parametern und Zuständen, die sich bei kleinen Spezifikationsänderungen stark verändern
Rauschvarianzen steuern die Signalsextraktion
Prozessrauschen bestimmt, wie schnell sich der latente Zustand bewegen darf. Messrauschen bestimmt, wie stark eine Beobachtung von diesem Zustand abweichen kann
Ein hohes Verhältnis von Prozess- zu Messrauschen erzeugt einen reaktionsfähigen Zustand; ein niedriges Verhältnis ergibt einen glatteren Zustand. Das ist ein geschätzter Zielkonflikt und keine kosmetische Einstellung
Wenn beide Störungen dieselbe Variation aufnehmen, können ihre Varianzen schwach identifiziert sein. Mehrere Messungen oder strukturelle Einschränkungen können helfen
Die Schätzung hinterlässt diagnostische Hinweise
Lineare Gaußsche Modelle verwenden häufig den Kalman-Filter, um Prognosefehler und ihre Varianzen zu berechnen und so eine Likelihood aus Innovationen zu bilden
Standardisierte Innovationen sollten weder systematische Autokorrelation noch prognostizierbare Varianz aufweisen. Verbleibende Muster deuten auf fehlende Dynamik oder Beobachtungsstruktur hin
Ausreißer, schwere Schwänze, Nichtlinearitäten und Parameterbrüche können Zustände verzerren. Robuste, nichtlineare, nicht-Gaußsche oder simulationsbasierte Verfahren ändern ebenso die Annahmen wie die Berechnung
Finanzkomponenten entwickeln sich über die Zeit
Zustandsraummodelle können eine Zinskurve in latente Faktoren zerlegen, ein zeitvariables Beta schätzen oder einen effizienten Preis von Mikrostrukturrauschen unterscheiden
Sie können auch stochastische Volatilität, latente Liquidität oder eine sich langsam verändernde erwartete Rendite darstellen, sofern die Beobachtungen genügend Information enthalten
Eine flexible Zerlegung ist kein kausaler Beleg. Jede latente Komponente übernimmt die Messentscheidungen und Übergangsbeschränkungen, mit denen sie definiert wurde
Machen Sie Echtzeitunsicherheit explizit
Berichten Sie sowohl gefilterte als auch geglättete Pfade, wenn historische Revisionen relevant sind, zusammen mit der Zustandsunsicherheit und nicht nur einer Linie
Geben Sie Gleichungen, Einheiten, Einschränkungen, Anfangsverteilung, Rauschkovarianz, Parameterschätzmethode, Umgang mit fehlenden Daten und Prognoseursprung an
Bewerten Sie rollierende Prognosen und Revisionen. Ein Modell, das die gesamte Historie hervorragend erklärt, kann den aktuellen Zustand am Rand der Stichprobe trotzdem schlecht schätzen
Häufige Fragen
Ist ein latenter Zustand eine reale, aber verborgene ökonomische Variable?
Nicht unbedingt. Er ist eine vom Modell definierte Darstellung, die eine bestimmte ökonomische Interpretation stützen kann oder auch nicht
Was ist der Unterschied zwischen Filterung und Glättung?
Die Filterung nutzt Daten, die bis zur aktuellen Zeit verfügbar sind; die Glättung revidiert diesen Zustand mithilfe später eingetroffener Beobachtungen
Warum sind Rauschvarianzen so wichtig?
Sie bestimmen, ob neue Beobachtungen hauptsächlich als Bewegung des Zustands oder als vorübergehende Messstörung interpretiert werden
Können Zustandsraummodelle mit fehlenden Beobachtungen umgehen?
Ja. Das Messupdate kann bei fehlenden Daten ausgelassen oder angepasst werden, während der Zustandsübergang weiterläuft