标签： #卡尔曼滤波

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）。

固定对冲比在 regime 切换时会系统性失效。本文用状态空间模型把对冲比建模为随机游走，从零实现卡尔曼滤波估计动态 β，并实证对比静态 OLS、滚动 OLS 与卡尔曼动态对冲的方差削减效果，覆盖配对交易、动态 Delta 对冲与三大实战陷阱。