Kalman filter: การพยากรณ์ นวัตกรรม และการอัปเดต
เรียนรู้รอบการพยากรณ์และอัปเดตของ Kalman วิธีที่ gain สร้างสมดุลระหว่างความไม่แน่นอน เงื่อนไขที่ filter เหมาะสมที่สุด และจุดที่การประยุกต์ใช้ทางการเงินอาจล้มเหลว
คำตอบโดยตรง
Kalman filter ประมาณค่าเฉลี่ยแบบมีเงื่อนไขและความไม่แน่นอนของสถานะแฝงซ้ำไปในแบบจำลอง state-space เชิงเส้นแบบ Gaussian มันพยากรณ์สถานะและ covariance ผ่านสมการ transition ก่อน แล้วเปรียบเทียบการสังเกตใหม่กับคำพยากรณ์ของมัน ความคลาดเคลื่อนของคำพยากรณ์นั้นคือ innovation ส่วน Kalman gain ตัดสินใจว่าจะใช้ innovation มากน้อยเพียงใดในการอัปเดตสถานะ โดยสร้างสมดุลระหว่างความไม่แน่นอนของสถานะที่พยากรณ์กับความไม่แน่นอนของการวัด การวนซ้ำนี้แม่นตรงภายใต้แบบจำลองของมัน แต่ dynamics ที่ไม่ดี covariance ของ noise ผิด nonlinearity outlier หรือการปรับด้วยข้อมูลอนาคตอาจทำให้ค่าประมาณที่ดูแม่นยำทำให้เข้าใจผิด
Filter เริ่มจากข้อความเกี่ยวกับความน่าจะเป็น
ในแต่ละวันที่ filter ส่งต่อค่าประมาณสถานะและ covariance ของข้อผิดพลาด ไม่ใช่เพียงจุดหนึ่งบนเส้นที่เรียบ
ความเป็นเชิงเส้นทำให้สถานะและการสังเกตเป็นฟังก์ชัน affine ของสถานะและ disturbance ในอดีต สมมติฐาน Gaussian ทำให้การแจกแจงแบบมีเงื่อนไขยังเป็น Gaussian
ภายใต้แบบจำลองนั้น ค่าเฉลี่ยแบบมีเงื่อนไขคือค่าประมาณที่มี mean-square error ต่ำสุด นอกแบบจำลอง การวนซ้ำอาจยังมีประโยชน์ แต่จะเสียข้ออ้างเรื่องความเหมาะสมที่สุดแบบเดียวกัน
การพยากรณ์ขยับทั้งค่าเฉลี่ยและความไม่แน่นอน
เมทริกซ์ transition ฉายค่าประมาณสถานะก่อนหน้าไปข้างหน้า controls หรืออินพุตที่ทราบอาจเลื่อนค่าเฉลี่ยที่พยากรณ์
Covariance ก็ถูกส่งต่อและขยายด้วย process noise สถานะที่อนุญาตให้เปลี่ยนเร็วจะไม่แน่นอนขึ้นระหว่างการสังเกต
การพยากรณ์ก่อนหน้านี้ไม่ใช้การสังเกตปัจจุบัน การแยกมันออกจากการอัปเดตทำให้ตรวจสอบวินัยของข้อมูลแบบ real-time ได้
Innovation วัดข้อมูลใหม่
Innovation คือค่าที่สังเกตได้ลบด้วยคำพยากรณ์จากสมการการวัด มันคือส่วนที่สถานะก่อนหน้าไม่ได้คาดไว้
ความแปรปรวนของมันรวมความไม่แน่นอนของสถานะที่ฉายไปกับ noise ของการวัด ความประหลาดใจดิบขนาดใหญ่อาจเป็นเรื่องปกติเมื่อความแปรปรวนนั้นใหญ่
เมื่อเวลาผ่านไป standardized innovations ที่ระบุแบบจำลองถูกต้องควรมีลักษณะคล้าย noise ที่คาดเดาไม่ได้ รูปแบบต่อเนื่องเผยให้เห็นข้อมูลที่แบบจำลองดูดซับไม่หมด
Kalman gain จัดสรรความประหลาดใจ
Gain แปลง innovation ให้เป็นการแก้ไขสถานะ มันสูงขึ้นเมื่อคำพยากรณ์สถานะไม่แน่นอนเมื่อเทียบกับการวัด
เมื่อการสังเกตมี noise gain จะเล็กลงและ filter ขยับน้อยลง เมื่อการวัดแม่นยำ ส่วนของความประหลาดใจก็กลายเป็นการแก้ไขสถานะมากขึ้น
โดยทั่วไป gain ไม่ใช่พารามิเตอร์ smoothing คงที่ มันเปลี่ยนตาม covariances ข้อมูลที่หาย และเมทริกซ์ระบบที่เปลี่ยนตามเวลา
การอัปเดต covariance เป็นส่วนหนึ่งของคำตอบ
หลังสังเกตข้อมูล covariance ของสถานะจะหดลง เพราะความไม่แน่นอนถูกคลี่คลายแล้ว process noise จะขยายมันอีกครั้งในการพยากรณ์ถัดไป
สูตร covariance ที่มีเสถียรภาพเชิงตัวเลขสำคัญ เพราะการปัดเศษอาจสร้างความไม่สมมาตรหรือเมทริกซ์ที่ไม่เป็น positive semidefinite
แถบความเชื่อมั่นที่อิงเฉพาะ covariance จากการ filter อาจไม่รวมความไม่แน่นอนของพารามิเตอร์ พารามิเตอร์ transition และ noise ที่ประมาณยังเพิ่มอีกชั้นหนึ่ง
การเริ่มต้นและ likelihood กระทบเส้นทางทั้งหมด
สถานะเริ่มต้นอาจทราบอยู่แล้ว stationary ถูกประมาณ หรือ diffuse ค่าที่ filter ในช่วงต้นอาจขึ้นกับตัวเลือกนั้นมาก
ข้อผิดพลาดจากการพยากรณ์และความแปรปรวนของมันสร้าง Gaussian likelihood ที่ใช้ประมาณพารามิเตอร์ที่ไม่ทราบ ระดับ noise ไม่ควรถูกปรับเพียงเพื่อให้เส้นดูเรียบ
เปรียบเทียบการเริ่มต้นทางเลือก คำพยากรณ์ holdout และค่าประมาณบริเวณขอบ ความแปรปรวนใกล้ศูนย์หรือ persistence ที่ใกล้หนึ่งอาจเป็นสัญญาณของการระบุโมเดลที่อ่อน
ส่วนขยายแก้ปัญหาต่างกัน
extended Kalman filter ทำ linearize ฟังก์ชันไม่เชิงเส้นในท้องถิ่น ส่วน unscented filter ส่งต่อจุดที่เลือก และ particle filter จำลองการแจกแจงของสถานะ
สิ่งเหล่านี้ไม่ได้แม่นยำกว่าโดยอัตโนมัติ nonlinearity ที่แรง หางแบบ non-Gaussian หรือสถานะหลายยอดต้องใช้ diagnostics เฉพาะวิธี
แบบจำลองการสังเกตที่ทนต่อ outlier และการเปลี่ยน regime อาจเหมาะสมกว่าการฝืนให้การวนซ้ำเชิงเส้นแบบ Gaussian เดียวผ่านทุกสภาวะตลาด
การ filter ทางการเงินไม่ใช่ผู้หยั่งรู้
Filter อาจประมาณ efficient price จากราคาเสนอที่มี noise beta ที่เปลี่ยนตามเวลา ปัจจัยเส้นอัตราผลตอบแทนแฝง หรืออัตรา hedge ที่เปลี่ยน
ค่าประมาณเป็นแบบมีเงื่อนไขต่อแบบจำลองและพารามิเตอร์ มันไม่ได้เปิดเผยผลตอบแทนวันพรุ่งนี้เพียงเพราะใช้คำว่า prediction
ประเมิน innovation หนึ่งก้าว คำพยากรณ์แบบ rolling การแก้ไขสถานะ turnover และต้นทุนธุรกรรม โดยใช้ข้อมูลที่มีอยู่จริงในแต่ละวัน
คำถามที่พบบ่อย
Kalman filter เป็นเพียง moving average หรือไม่
ไม่ใช่ น้ำหนักของมันเป็นไปตามแบบจำลอง state-transition และความไม่แน่นอนที่เปลี่ยน ไม่ใช่หน้าต่างคงที่ของการสังเกตในอดีต
Kalman gain สูงหมายความว่าอย่างไร
หมายความว่าการวัดใหม่ให้ข้อมูลค่อนข้างมากเมื่อเทียบกับความไม่แน่นอนของสถานะที่พยากรณ์
Filter ใช้การสังเกตในอนาคตหรือไม่
Filtering ไม่ใช้ แต่ smoothing ใช้ การนำไปใช้ย้อนหลังต้องแยกผลลัพธ์สองแบบนี้ให้ชัด
Kalman filter เหมาะสมที่สุดเสมอหรือไม่
ความเหมาะสมที่สุดของค่าเฉลี่ยแบบมีเงื่อนไขอย่าง exact ต้องอาศัยว่าแบบจำลอง state-space เชิงเส้นแบบ Gaussian ที่ระบุถูกต้อง