Фильтр Калмана: прогнозирование, инновация и обновление
Узнайте о цикле прогнозирования и обновления Калмана, о том, как усиление уравновешивает неопределённость, когда фильтр оптимален и где финансовые применения могут дать сбой
Короткий ответ
Фильтр Калмана рекурсивно оценивает условное среднее и неопределённость скрытого состояния в линейной гауссовской модели пространства состояний. Сначала он прогнозирует состояние и ковариацию через уравнение перехода, затем сравнивает новое наблюдение с его прогнозом. Ошибка прогноза — это инновация. Усиление Калмана определяет, насколько она обновит состояние, уравновешивая прогнозируемую неопределённость состояния и неопределённость измерения. Рекурсия точна в рамках своей модели, но плохая динамика, неверная ковариация шумов, нелинейность, выбросы или настройка по будущим данным могут сделать точную оценку вводящей в заблуждение
Фильтр начинается с вероятностного утверждения
В каждый момент фильтр переносит оценку состояния и ковариацию ошибки, а не просто точку на гладкой линии
Линейность делает состояние и наблюдение аффинными функциями прошлых состояний и возмущений. Гауссовские предпосылки сохраняют гауссовский вид условных распределений
В этой модели условное среднее является оценкой с минимальной среднеквадратичной ошибкой. За её пределами рекурсия может оставаться полезной, но теряет то же утверждение об оптимальности
Прогнозирование переносит и среднее, и неопределённость
Матрица перехода переносит вперёд априорную оценку состояния. Управления или известные входы могут сдвигать прогнозируемое среднее
Ковариация также переносится и увеличивается из-за шума процесса. Состояние, которому разрешено быстро меняться, становится менее определённым между наблюдениями
Этот априорный прогноз не использует текущее наблюдение. Разделение прогноза и обновления делает дисциплину информации реального времени проверяемой
Инновация измеряет новую информацию
Инновация — наблюдаемое значение минус его прогноз из уравнения измерения. Это часть, которую априорное состояние не предсказало
Её дисперсия объединяет перенесённую неопределённость состояния с шумом измерения. Большая сырая неожиданность может быть обычной, если эта дисперсия велика
Во времени корректно заданные стандартизированные инновации должны напоминать непредсказуемый шум. Серийные закономерности показывают информацию, которую модель не поглотила
Усиление Калмана распределяет неожиданность
Усиление преобразует инновацию в поправку состояния. Оно растёт, когда прогноз состояния более неопределён, чем измерение
При зашумлённых наблюдениях усиление меньше, и фильтр движется слабее. При точном измерении большая часть неожиданности становится пересмотром состояния
В общем случае усиление не является постоянным параметром сглаживания. Оно меняется вместе с ковариациями, пропусками данных и меняющимися матрицами системы
Обновления ковариации — часть ответа
После наблюдения ковариация состояния сокращается, поскольку неопределённость уменьшилась. На следующем прогнозе шум процесса снова её увеличивает
Численно устойчивые формулы ковариации важны, потому что округление может создать несимметричную матрицу или матрицу, не являющуюся неотрицательно определённой
Доверительные полосы, основанные только на фильтрованной ковариации, могут не учитывать неопределённость параметров. Оценённые параметры перехода и шумов добавляют ещё один слой
Инициализация и правдоподобие влияют на весь ряд
Начальное состояние может быть известным, стационарным, оценённым или диффузным. Ранние фильтрованные значения могут сильно зависеть от этого выбора
Ошибки прогнозирования и их дисперсии формируют гауссовское правдоподобие, используемое для оценки неизвестных параметров. Уровни шумов нельзя настраивать только ради визуально гладкой линии
Сравнивайте альтернативные инициализации, прогнозы на отложенной выборке и оценки на границе. Почти нулевые дисперсии или устойчивость, близкая к единице, могут указывать на слабую идентификацию
Расширения решают разные задачи
Расширенный фильтр Калмана локально линеаризует нелинейные функции, несмещённый фильтр переносит выбранные точки, а фильтры частиц моделируют распределение состояния
Они не становятся автоматически точнее. Сильная нелинейность, негауссовские хвосты или многомодальные состояния требуют специализированной диагностики
Устойчивые к выбросам модели наблюдения и смена режимов могут быть уместнее, чем принуждение одной линейной гауссовской рекурсии к работе во всех рыночных условиях
Финансовая фильтрация не является оракулом
Фильтр может оценивать эффективную цену по зашумлённым котировкам, меняющуюся во времени бету, скрытые факторы кривой доходности или меняющееся отношение хеджирования
Оценка зависит от модели и параметров. Она не раскрывает завтрашнюю доходность только потому, что называется прогнозом
Оценивайте одношаговые инновации, скользящие прогнозы, пересмотры состояния, оборот и транзакционные издержки с использованием информации, доступной в каждую дату
Частые вопросы
Фильтр Калмана — это просто скользящее среднее?
Нет. Его веса следуют модели перехода состояния и меняющейся неопределённости, а не фиксированному окну прошлых наблюдений
Что означает высокое усиление Калмана?
Это означает, что новое измерение относительно информативнее, чем неопределённость прогнозируемого состояния
Использует ли фильтр будущие наблюдения?
Фильтрация — нет, сглаживание — да. Историческая реализация должна различать эти результаты
Всегда ли фильтр Калмана оптимален?
Его точная оптимальность условного среднего требует корректной заданной линейной гауссовской модели пространства состояний