Le filtre de Kalman : prédiction, innovation et mise à jour
Découvrez le cycle de prédiction et de mise à jour de Kalman, comment le gain équilibre l'incertitude, quand le filtre est optimal et où les applications financières peuvent échouer
Réponse directe
Le filtre de Kalman estime récursivement la moyenne conditionnelle et l'incertitude d'un état latent dans un modèle d'espace d'état linéaire gaussien. Il prédit d'abord l'état et la covariance au moyen de l'équation de transition, puis compare la nouvelle observation à sa prédiction. Cette erreur de prévision est l'innovation. Le gain de Kalman décide quelle part de cette erreur met à jour l'état en équilibrant l'incertitude de l'état prévu et l'incertitude de mesure. La récursion est exacte dans son modèle, mais une dynamique inadéquate, une mauvaise covariance de bruit, des non-linéarités, des valeurs aberrantes ou un réglage utilisant des données futures peuvent rendre une estimation précise trompeuse
Le filtre commence par un énoncé probabiliste
À chaque date, le filtre transporte une estimation d'état et une covariance d'erreur, et pas simplement un point sur une ligne lisse
La linéarité fait de l'état et de l'observation des fonctions affines des états et perturbations passés. Les hypothèses gaussiennes maintiennent les distributions conditionnelles gaussiennes
Dans ce modèle, la moyenne conditionnelle est l'estimation à erreur quadratique moyenne minimale. En dehors de ce cadre, la récursion peut rester utile mais perd la même garantie d'optimalité
La prédiction déplace à la fois la moyenne et l'incertitude
La matrice de transition projette l'estimation d'état antérieure vers l'avenir. Des contrôles ou des entrées connues peuvent déplacer la moyenne prévue
La covariance est également propagée et augmentée par le bruit de processus. Un état autorisé à changer rapidement devient moins certain entre les observations
Cette prédiction a priori n'utilise aucune observation actuelle. La séparer de la mise à jour rend la discipline de l'information en temps réel vérifiable
L'innovation mesure l'information nouvelle
L'innovation est la valeur observée moins sa prédiction issue de l'équation de mesure. C'est la partie qui n'était pas anticipée par l'état a priori
Sa variance combine l'incertitude projetée de l'état et le bruit de mesure. Une surprise brute importante peut être ordinaire lorsque cette variance est grande
Au fil du temps, des innovations standardisées correctement spécifiées devraient ressembler à un bruit imprévisible. Des régularités sérielles révèlent une information que le modèle n'a pas absorbée
Le gain de Kalman répartit la surprise
Le gain transforme l'innovation en correction de l'état. Il augmente lorsque la prédiction de l'état est incertaine par rapport à la mesure
Avec des observations bruitées, le gain est plus faible et le filtre bouge moins. Avec une mesure précise, une part plus importante de la surprise devient une révision de l'état
Le gain n'est généralement pas un paramètre de lissage fixe. Il évolue avec les covariances, les données manquantes et les matrices du système qui varient dans le temps
Les mises à jour de covariance font partie de la réponse
Après l'observation des données, la covariance de l'état se contracte parce que l'incertitude a été résolue. Le bruit de processus l'élargit à nouveau lors de la prédiction suivante
Les formules de covariance numériquement stables comptent, car les arrondis peuvent créer une asymétrie ou une matrice qui n'est pas semi-définie positive
Les bandes de confiance fondées uniquement sur la covariance filtrée peuvent omettre l'incertitude des paramètres. Les paramètres de transition et de bruit estimés ajoutent une couche supplémentaire
L'initialisation et la vraisemblance affectent toute la trajectoire
L'état initial peut être connu, stationnaire, estimé ou diffus. Les premières valeurs filtrées peuvent dépendre fortement de ce choix
Les erreurs de prédiction et leurs variances construisent la vraisemblance gaussienne utilisée pour estimer les paramètres inconnus. Les niveaux de bruit ne doivent pas être réglés uniquement pour obtenir une ligne visuellement lisse
Comparez plusieurs initialisations, des prévisions sur échantillon de contrôle et des estimations aux limites. Des variances proches de zéro ou une persistance proche de un peuvent signaler une identification faible
Les extensions résolvent des problèmes différents
Le filtre de Kalman étendu linéarise localement les fonctions non linéaires ; le filtre unscented propage des points sélectionnés ; les filtres particulaires simulent une distribution d'état
Ils ne sont pas automatiquement plus précis. De fortes non-linéarités, des queues non gaussiennes ou des états multimodaux exigent des diagnostics propres à la méthode
Des modèles d'observation robustes aux valeurs aberrantes et les changements de régime peuvent être plus appropriés que de forcer une récursion linéaire gaussienne unique à travers toutes les conditions de marché
Le filtrage financier n'est pas un oracle
Un filtre peut estimer un prix efficient à partir de cotations bruitées, un bêta variant dans le temps, des facteurs latents de courbe des taux ou un ratio de couverture changeant
L'estimation est conditionnelle au modèle et aux paramètres. Elle ne révèle pas le rendement de demain simplement parce qu'elle utilise le mot prédiction
Évaluez les innovations à un pas, les prévisions glissantes, les révisions d'état, la rotation et les coûts de transaction avec les informations réellement disponibles à chaque date
Questions fréquentes
Le filtre de Kalman est-il simplement une moyenne mobile ?
Non. Ses pondérations suivent un modèle de transition d'état et une incertitude évolutive plutôt qu'une fenêtre fixe d'observations passées
Que signifie un gain de Kalman élevé ?
Cela signifie que la nouvelle mesure est relativement informative par rapport à l'incertitude de l'état prévu
Le filtre utilise-t-il des observations futures ?
Le filtrage ne les utilise pas ; le lissage, oui. Une mise en œuvre historique doit garder ces résultats distincts
Le filtre de Kalman est-il toujours optimal ?
Son optimalité exacte de moyenne conditionnelle exige que le modèle d'espace d'état linéaire gaussien spécifié soit correct