O filtro de Kalman: previsão, inovação e atualização
Entenda o ciclo de previsão e atualização de Kalman, como o ganho equilibra a incerteza, quando o filtro é ótimo e onde as aplicações financeiras podem falhar.
Resposta direta
O filtro de Kalman estima recursivamente a média condicional e a incerteza de um estado latente em um modelo linear gaussiano de espaço de estados. Primeiro, ele prevê o estado e a covariância por meio da equação de transição e depois compara a nova observação com sua previsão. Esse erro de previsão é a inovação. O ganho de Kalman decide quanto dela atualiza o estado ao equilibrar a incerteza prevista do estado com a incerteza da medição. A recursão é exata sob seu modelo, mas dinâmica inadequada, covariância de ruído incorreta, não linearidades, outliers ou ajuste com dados futuros podem tornar uma estimativa precisa enganosa.
O filtro começa com uma afirmação de probabilidade
Em cada data, o filtro carrega uma estimativa de estado e uma covariância de erro, não apenas um ponto em uma linha suave.
A linearidade torna o estado e a observação funções afins de estados e perturbações passados. As premissas gaussianas mantêm as distribuições condicionais gaussianas.
Sob esse modelo, a média condicional é a estimativa de erro quadrático médio mínimo. Fora dele, a recursão pode continuar útil, mas perde a mesma afirmação de otimalidade.
A previsão move tanto a média quanto a incerteza
A matriz de transição projeta a estimativa de estado anterior para a frente. Controles ou entradas conhecidas podem deslocar a média prevista.
A covariância também é propagada e ampliada pelo ruído do processo. Um estado que pode mudar rapidamente se torna menos certo entre observações.
Essa previsão anterior não usa a observação atual. Separá-la da atualização torna a disciplina de informação em tempo real auditável.
A inovação mede informação nova
A inovação é o valor observado menos a previsão da equação de medição. É a parte não antecipada pelo estado anterior.
Sua variância combina a incerteza projetada do estado com o ruído de medição. Uma surpresa bruta grande pode ser normal quando essa variância é grande.
Ao longo do tempo, inovações padronizadas especificadas corretamente devem se parecer com ruído imprevisível. Padrões seriais revelam informações que o modelo não conseguiu absorver.
O ganho de Kalman aloca a surpresa
O ganho converte a inovação em uma correção do estado. Ele aumenta quando a previsão do estado é incerta em relação à medição.
Com observações ruidosas, o ganho é menor e o filtro se move menos. Com uma medição precisa, uma parcela maior da surpresa se torna uma revisão do estado.
O ganho geralmente não é um parâmetro fixo de suavização. Ele evolui com as covariâncias, os dados ausentes e as matrizes de sistema variáveis no tempo.
As atualizações de covariância fazem parte da resposta
Depois de observar os dados, a covariância do estado se contrai porque a incerteza foi resolvida. O ruído do processo a expande novamente na previsão seguinte.
Fórmulas de covariância numericamente estáveis importam porque o arredondamento pode criar assimetria ou uma matriz que não seja semidefinida positiva.
Bandas de confiança baseadas apenas na covariância filtrada podem omitir a incerteza dos parâmetros. Parâmetros estimados de transição e ruído introduzem outra camada.
Inicialização e verossimilhança afetam toda a trajetória
O estado inicial pode ser conhecido, estacionário, estimado ou difuso. Os primeiros valores filtrados podem depender fortemente dessa escolha.
Erros de previsão e suas variâncias formam a verossimilhança gaussiana usada para estimar parâmetros desconhecidos. Os níveis de ruído não devem ser ajustados apenas para produzir uma linha visualmente suave.
Compare inicializações alternativas, previsões em amostras de teste e estimativas de fronteira. Variâncias próximas de zero ou persistência próxima de um podem sinalizar identificação fraca.
Extensões resolvem problemas diferentes
O filtro de Kalman estendido lineariza funções não lineares localmente; o filtro unscented propaga pontos selecionados; filtros de partículas simulam uma distribuição de estados.
Eles não são automaticamente mais precisos. Não linearidades fortes, caudas não gaussianas ou estados multimodais exigem diagnósticos específicos do método.
Modelos de observação robustos a outliers e mudanças de regime podem ser mais apropriados do que forçar uma recursão linear gaussiana através de todas as condições de mercado.
A filtragem financeira não é um oráculo
Um filtro pode estimar um preço eficiente a partir de cotações ruidosas, beta variável no tempo, fatores latentes da curva de juros ou uma razão de hedge em mudança.
A estimativa é condicional ao modelo e aos parâmetros. Ela não revela o retorno de amanhã apenas porque usa a palavra previsão.
Avalie inovações de um passo, previsões móveis, revisões de estado, giro e custos de transação usando informações realmente disponíveis em cada data.
Perguntas frequentes
O filtro de Kalman é apenas uma média móvel?
Não. Seus pesos seguem um modelo de transição de estado e uma incerteza que evolui, em vez de uma janela fixa de observações passadas.
O que significa um ganho de Kalman alto?
Significa que a nova medição é relativamente informativa em comparação com a incerteza do estado previsto.
O filtro usa observações futuras?
A filtragem não usa; a suavização usa. Uma implementação histórica precisa manter essas saídas distintas.
O filtro de Kalman é sempre ótimo?
Sua otimalidade exata da média condicional exige que o modelo linear gaussiano de espaço de estados especificado esteja correto.