Kalman Filter: Prediction, Innovation, dan Update
Pelajari siklus prediction dan update Kalman, bagaimana gain menyeimbangkan ketidakpastian, kapan filter optimal, dan di mana penerapan keuangan dapat gagal
Jawaban langsung
Kalman filter secara rekursif mengestimasi mean bersyarat dan ketidakpastian state laten dalam state-space model linear Gaussian. Filter mula-mula memprediksi state dan kovarians melalui persamaan transisi, lalu membandingkan observasi baru dengan prediksinya. Error prakiraan itu adalah innovation. Kalman gain menentukan seberapa besar error tersebut memperbarui state dengan menyeimbangkan ketidakpastian state yang diprediksi terhadap ketidakpastian pengukuran. Rekursinya eksak di bawah modelnya, tetapi dinamika yang buruk, kovarians noise yang salah, nonlinearitas, outlier, atau tuning dengan data masa depan dapat membuat estimasi presisi menjadi menyesatkan
Filter dimulai dari pernyataan probabilitas
Pada setiap tanggal filter membawa estimasi state dan kovarians error, bukan sekadar titik pada garis yang halus
Linearitas membuat state dan observasi menjadi fungsi affine dari state serta gangguan masa lalu. Asumsi Gaussian menjaga distribusi bersyarat tetap Gaussian
Di bawah model tersebut, mean bersyarat adalah estimasi minimum mean-square error. Di luar model itu, rekursi mungkin tetap berguna tetapi kehilangan klaim optimalitas yang sama
Prediction memindahkan mean dan ketidakpastian
Matriks transisi memproyeksikan estimasi state prior ke depan. Kontrol atau input yang diketahui dapat menggeser mean yang diprediksi
Kovarians juga dipropagasikan dan diperbesar oleh noise proses. State yang diizinkan berubah cepat menjadi kurang pasti di antara observasi
Prediksi prior ini tidak menggunakan observasi saat ini. Memisahkannya dari update membuat disiplin informasi real-time dapat diaudit
Innovation mengukur informasi baru
Innovation adalah nilai yang diamati dikurangi prediksi persamaan pengukurannya. Innovation merupakan bagian yang tidak diantisipasi oleh state prior
Variansnya menggabungkan ketidakpastian state yang diproyeksikan dengan noise pengukuran. Kejutan mentah yang besar dapat biasa saja ketika varians itu besar
Sepanjang waktu, innovation terstandar dari model yang terspesifikasi dengan benar seharusnya menyerupai noise yang tidak dapat diprediksi. Pola serial menunjukkan informasi yang gagal diserap model
Kalman gain mengalokasikan kejutan
Gain memetakan innovation menjadi koreksi state. Gain meningkat ketika prediksi state lebih tidak pasti dibandingkan pengukuran
Dengan observasi bising, gain lebih kecil dan filter bergerak lebih sedikit. Dengan pengukuran presisi, lebih banyak kejutan menjadi revisi state
Gain bukan parameter smoothing tetap secara umum. Gain berubah mengikuti kovarians, data yang hilang, dan matriks sistem yang berubah menurut waktu
Update kovarians merupakan bagian dari jawaban
Setelah data diamati, kovarians state menyusut karena ketidakpastian telah diselesaikan. Noise proses kembali memperbesarnya pada prediction berikutnya
Rumus kovarians yang stabil secara numerik penting karena pembulatan dapat menciptakan ketidaksimetrian atau matriks yang bukan semidefinit positif
Pita kepercayaan yang hanya berdasarkan kovarians filtered dapat mengabaikan ketidakpastian parameter. Parameter transisi dan noise yang diestimasi menambahkan lapisan lain
Inisialisasi dan likelihood memengaruhi seluruh jalur
State awal dapat diketahui, stasioner, diestimasi, atau diffuse. Nilai filtered awal dapat sangat bergantung pada pilihan itu
Error prediksi dan variansnya membentuk likelihood Gaussian yang digunakan untuk mengestimasi parameter yang tidak diketahui. Tingkat noise tidak boleh dituning hanya untuk mendapatkan garis yang tampak halus
Bandingkan inisialisasi alternatif, prakiraan holdout, dan estimasi batas. Varians yang mendekati nol atau persistensi yang mendekati satu dapat menandakan identifikasi lemah
Ekstensi menyelesaikan masalah yang berbeda
Extended Kalman filter melinearkan fungsi nonlinear secara lokal; unscented filter mempropagasikan titik yang dipilih; particle filter mensimulasikan distribusi state
Metode ini tidak otomatis lebih akurat. Nonlinearitas kuat, ekor non-Gaussian, atau state multimodal memerlukan diagnostik khusus metode
Model observasi robust terhadap outlier dan perubahan rezim mungkin lebih sesuai daripada memaksa satu rekursi linear Gaussian pada setiap kondisi pasar
Filtering keuangan bukan oracle
Filter dapat mengestimasi harga efisien dari kuotasi bising, beta yang berubah menurut waktu, faktor kurva imbal hasil laten, atau rasio lindung nilai yang berubah
Estimasi ini bersyarat pada model dan parameter. Estimasi tidak mengungkap return besok hanya karena menggunakan kata prediction
Evaluasi innovation satu langkah, prakiraan bergulir, revisi state, turnover, dan biaya transaksi dengan informasi yang benar-benar tersedia pada setiap tanggal
Pertanyaan umum
Apakah Kalman filter hanya moving average?
Tidak. Bobotnya mengikuti model transisi state dan ketidakpastian yang berubah, bukan jendela tetap dari observasi masa lalu
Apa arti Kalman gain yang tinggi?
Artinya pengukuran baru relatif informatif dibandingkan ketidakpastian pada state yang diprediksi
Apakah filter menggunakan observasi masa depan?
Filtering tidak menggunakannya; smoothing menggunakannya. Implementasi historis harus menjaga kedua output itu tetap berbeda
Apakah Kalman filter selalu optimal?
Optimalitas mean bersyarat yang eksak memerlukan state-space model linear Gaussian yang dinyatakan memang benar