标签： #卡尔曼滤波

协整让两只价格「长期绑在一起」，但绑定的强度(协整向量 β)本身也会漂移。本文把 VECM 的误差修正项直接写进卡尔曼滤波的状态空间：把 β_t 当成随时间演化的隐状态，每来一个新价格就用序贯更新把它重新估出来。在 1000 天合成数据上，融合模型对真实 β 的跟踪 RMSE 仅 0.0117，价差残差标准差比静态 β 低 25.5%(0.0723 vs 0.0971)，且 ACF 检验证实价差平稳、价格非平稳。附完整 numpy 实现与四张真实计算图。

配对交易和对冲的教科书都默认对冲比率 β 是个常数——用一段历史 OLS 回归一次就固定下来。但真实的 β 会漂移：行业轮动、资本结构变化、流动性迁移都会让两只资产的联动强度慢慢改变。固定种子（20260801）的受控模拟：真实 β 从 0.80 缓慢爬到 1.39，静态全样本 OLS 只能给一个平均数 1.065，全程系统性偏离（跟踪误差 MAE 0.146）；卡尔曼滤波把 β 当随机游走状态、用一步预测残差在线更新，MAE 压到 0.090（降 38%）。它同时解决了滚动 OLS 的窗口两难：20 日窗抖动大（MAE 0.44）、250 日窗跟不上（0.13），卡尔曼两头都更好且不用手挑窗口。关键旋钮是过程噪声 δ：δ 太小 β 僵化滞后、太大追噪声，跟踪误差 U 形，最优 δ=1e-5。三个对抗式检验最硬：常数 β 世界里合适的 δ 保持 β 平直（std 0.034），δ 过大会凭空造出伪漂移；对冲残差方差排序 oracle 9.24 < 因果卡尔曼 13.01 < 静态 OLS 15.18——卡尔曼逼近『偷看未来真 β』的理论下限、远优于静态，但永远够不到 oracle；置换检验 300 次真实价差策略 Sharpe 1.45 超过全部上限 0.62。四项对抗式检验全过。

卡尔曼滤波是状态空间模型下的最优(最小均方)递推估计器：把要追踪的量写成隐藏状态、把带噪观测写成观测方程，每步只需「预测+更新」，卡尔曼增益自动在信状态与信观测之间取最优折中。本文用纯 numpy 从零实现通用卡尔曼滤波，在噪声价格还原真值、时变对冲比β_t在线跟踪、过程噪声Q的U形敏感性三个场景真实跑通，并诚实指出「因果 KF 的 RMSE 会输给偷看未来的移动平均」这条最被忽视的边界（中阶）。

宏观传导、因子暴露、跨资产相关，从来不是恒定常数。本文用时变参数 VAR + 卡尔曼滤波，把漂移与结构性跳跃的系数路径估计出来：在合成二维 VAR(1) 上，相对滞后半窗、抹平跳跃的滚动 OLS，系数追踪均方误差降低 87%，并展示同一冲击在不同时点的脉冲响应形状如何不同（中高阶）。

你只能观测到带噪声的市场报价,却想知道藏在背后的「真实隐含波动率」——这是个标准的状态估计问题。卡尔曼滤波要求状态方程和观测方程都是线性高斯的,可真实波动的噪声明明是异方差、非高斯的。本文用一套合成数据,从零实现 SIR 粒子滤波(序贯重要性重采样),从被噪声淹没的观测里还原隐含波动率路径,并对照线性高斯卡尔曼滤波,证明粒子滤波 RMSE 低 36%,把整套可复现 Python 给你(中阶)。

经典协整配对交易最别扭的一步是：回归得到的对冲比例 β 是「全样本固定值」，可真实市场里 β 一直在漂移。本文用卡尔曼滤波（状态空间模型）把 β 写成随时间演化的状态变量，逐根 K 线在线更新对冲比例，让价差始终贴着真实均衡。合成协整对实跑：β 在 [0.87, 1.23] 缓慢摆动，卡尔曼 RMSE 仅 0.29、价差波动 0.76（固定回归 1.87）；动态对冲策略 Sharpe 2.62、回撤 −9.8%，显著优于固定对冲的 Sharpe 1.18、回撤 −88.8%。附完整 Python 与六类真实陷阱(中阶)。

季度 GDP 要等一个半月才知道，市场却天天在交易。Nowcasting 用混频状态空间把月度、周度、日度指标实时揉进对同一季度 GDP 的估计，信息越累积 nowcast 越准。本文用自洽合成模型演示卡尔曼滤波的 ragged-edge 更新、不同信息 vintage 的收敛，并诚实指出混频对齐、结构性突变、幸存者偏差等真实陷阱，附完整 Python 与六类陷阱（高阶）。

收益率曲线不是一条静态曲线，而是一团随时间蠕动的形态。Diebold-Li 的动态 Nelson-Siegel 用「水平/斜率/曲率」三个因子把整条曲线压成 3 个数：水平=长期中枢、斜率=短长利差（倒挂信号）、曲率=中段隆起。把三因子当隐状态、用 AR(1) 驱动、卡尔曼滤波平滑，就能边出新券边追踪曲线形变。合成里卡尔曼还原整条曲线 RMSE 仅 3.55bps（最大 3.91bps），注入的「倒挂→修复」形变被 L/S/C 三因子干净拆出。附完整 Python 与六类真实陷阱（高阶）。