Il filtro di Kalman: previsione, innovazione e aggiornamento
Scopri il ciclo di previsione e aggiornamento di Kalman, come il guadagno bilancia l'incertezza, quando il filtro è ottimale e dove le applicazioni finanziarie possono fallire
Risposta diretta
Il filtro di Kalman stima ricorsivamente la media condizionata e l'incertezza di uno stato latente in un modello lineare gaussiano nello spazio degli stati. Prima prevede lo stato e la covarianza attraverso l'equazione di transizione, poi confronta la nuova osservazione con la sua previsione. Questo errore di previsione è l'innovazione. Il guadagno di Kalman decide quanto di essa aggiorni lo stato, bilanciando l'incertezza prevista dello stato con l'incertezza della misurazione. La ricorsione è esatta secondo il suo modello, ma dinamiche inadeguate, covarianze del rumore errate, non linearità, outlier o calibrazione con dati futuri possono rendere fuorviante una stima precisa
Il filtro inizia da un'affermazione probabilistica
A ogni data il filtro conserva una stima dello stato e una covarianza dell'errore, non soltanto un punto su una linea uniforme
La linearità rende lo stato e l'osservazione funzioni affini degli stati e dei disturbi passati. Le ipotesi gaussiane mantengono gaussiane le distribuzioni condizionate
Secondo quel modello, la media condizionata è la stima con errore quadratico medio minimo. Al di fuori di esso, la ricorsione può restare utile ma perde la stessa pretesa di ottimalità
La previsione sposta sia la media sia l'incertezza
La matrice di transizione proietta in avanti la stima precedente dello stato. Controlli o input noti possono spostare la media prevista
Anche la covarianza viene propagata e ampliata dal rumore di processo. Uno stato autorizzato a cambiare rapidamente diventa meno certo tra un'osservazione e l'altra
Questa previsione a priori non usa l'osservazione corrente. Separarla dall'aggiornamento rende verificabile la disciplina informativa in tempo reale
L'innovazione misura l'informazione nuova
L'innovazione è il valore osservato meno la previsione dell'equazione di misurazione. È la parte non anticipata dallo stato a priori
La sua varianza combina l'incertezza dello stato proiettato con il rumore di misurazione. Una sorpresa grezza grande può essere ordinaria quando quella varianza è grande
Nel tempo, innovazioni standardizzate correttamente specificate dovrebbero assomigliare a rumore imprevedibile. Pattern seriali rivelano informazioni che il modello non è riuscito ad assorbire
Il guadagno di Kalman distribuisce la sorpresa
Il guadagno trasforma l'innovazione in una correzione dello stato. Aumenta quando la previsione dello stato è incerta rispetto alla misurazione
Con osservazioni rumorose, il guadagno è più piccolo e il filtro si sposta meno. Con una misurazione precisa, una parte maggiore della sorpresa diventa una revisione dello stato
In generale il guadagno non è un parametro fisso di smoothing. Si evolve con le covarianze, i dati mancanti e le matrici di sistema variabili nel tempo
Gli aggiornamenti della covarianza fanno parte della risposta
Dopo aver osservato i dati, la covarianza dello stato si contrae perché l'incertezza è stata risolta. Il rumore di processo la espande di nuovo nella previsione successiva
Le formule numericamente stabili della covarianza sono importanti perché gli arrotondamenti possono creare asimmetria o una matrice non semidefinita positiva
Le bande di confidenza basate soltanto sulla covarianza filtrata possono omettere l'incertezza dei parametri. I parametri stimati di transizione e rumore introducono un ulteriore livello
Inizializzazione e verosimiglianza influenzano l'intero percorso
Lo stato iniziale può essere noto, stazionario, stimato o diffuso. I primi valori filtrati possono dipendere molto da questa scelta
Gli errori di previsione e le loro varianze costruiscono la verosimiglianza gaussiana usata per stimare i parametri ignoti. I livelli di rumore non dovrebbero essere calibrati soltanto per ottenere una linea visivamente uniforme
Confronta inizializzazioni alternative, previsioni su dati trattenuti e stime ai bordi. Varianze prossime a zero o persistenza prossima a uno possono segnalare un'identificazione debole
Le estensioni risolvono problemi diversi
Il filtro di Kalman esteso linearizza localmente le funzioni non lineari; il filtro unscented propaga punti selezionati; i filtri particellari simulano una distribuzione dello stato
Non sono automaticamente più accurati. Non linearità forti, code non gaussiane o stati multimodali richiedono diagnostiche specifiche per il metodo
Modelli di osservazione robusti agli outlier e cambi di regime possono essere più appropriati che imporre una ricorsione lineare gaussiana a ogni condizione di mercato
Il filtraggio finanziario non è un oracolo
Un filtro può stimare un prezzo efficiente da quotazioni rumorose, un beta variabile nel tempo, fattori latenti della curva dei rendimenti o un rapporto di copertura mutevole
La stima è condizionata dal modello e dai parametri. Non rivela il rendimento di domani soltanto perché usa la parola previsione
Valuta innovazioni a un passo, previsioni rolling, revisioni dello stato, turnover e costi di transazione usando le informazioni effettivamente disponibili a ogni data
Domande frequenti
Il filtro di Kalman è soltanto una media mobile?
No. I suoi pesi seguono un modello di transizione dello stato e un'incertezza in evoluzione invece di una finestra fissa di osservazioni passate
Che cosa significa un guadagno di Kalman alto?
Significa che la nuova misurazione è relativamente informativa rispetto all'incertezza nello stato previsto
Il filtro usa osservazioni future?
Il filtraggio no, lo smoothing sì. Un'implementazione storica deve mantenere distinti questi risultati
Il filtro di Kalman è sempre ottimale?
La sua ottimalità esatta della media condizionata richiede che il modello lineare gaussiano nello spazio degli stati specificato sia corretto