标签： #状态空间模型

波动率不是常数，也不是能直接观测的量——它藏在收益率的平方里、被噪声层层包裹。本文用 numpy 从零实现随机波动率(SV)模型与 bootstrap 粒子滤波(序贯蒙特卡洛)，把隐状态波动率实时「反解」出来：每来一个新收益率，4000 个粒子就重采样+传播一次，输出波动率的后验中位数与 90% 置信带。在 600 天合成数据上，粒子滤波对真实波动率的跟踪 RMSE 比 EWMA 代理低 27.3%，相关度从 0.59 提升到 0.69，且每步对数似然稳定在 −1.02。附完整 Python 与四张真实计算图。

Transformer 的注意力是 O(N²)，序列一长显存和时间都爆。状态空间模型（SSM，S4/Gu et al. 2021，S5/2022）走另一条路：把序列建模写成连续系统的离散化，用 FFT 卷积在 O(N log N) 内处理全序列，且状态天然携带长程记忆。本文用 numpy+scipy 从零实现 HiPPO 对角化、双线性离散化与 SSM-as-convolution，真实证明：卷积视角与状态递推逐点差 1.7e-15（数值精度内）；FFT 卷积随序列长度的斜率 0.55（近线性）vs 注意力 1.95（近 O(N²)）；衰减 a=0.99 的 SSM 在「早期事件→末端读出」长程任务上 MSE≈0，而 a=0.5 短记忆与固定窗口基线都≈1.0 失败；并诚实给出 LTI-SSM 的内容选择性短板——同一核无法做「取闸门后 token」，线性读出 MSE=0.324≈随机水平，需用 Mamba 的选择性扫描才补得上。附完整 Python 与四张真实计算图。

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。

RNN 串行训练慢、Transformer 注意力 O(L²) 贵，状态空间模型（SSM，S4/Mamba 一族的骨架）走第三条路：把隐藏状态写成对角线性递推 h_t = a⊙h_{t-1} + b⊙x_t，衰减率 a 按对数均匀铺满短记忆到长记忆，一层状态就是一组不同时间尺度的指数记忆核，推理 O(L·N) 且可并行扫描。本文用纯 numpy 从零实现多时间尺度对角线性 SSM + 统一 Ridge 读出，在两个合成任务上诚实实测：平滑多尺度记忆任务（1800 小样本）上 SSM-16 状态 R²=0.787 完胜 OLS-256 滞后的 0.664；但尖锐 lag-64 任务上被 OLS-128 滞后（0.922）打爆（SSM 只有 0.487）——指数记忆核天然抹平孤立尖锐滞后。并拆穿线性状态无损/状态越多越好/SSM 必胜滞后回归/长程=万能/金融直接落地五类真实陷阱（中阶）。

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）。

Transformer 的注意力是 O(N²) 且训练时看不到未来、推理时还得把整段重新过一遍；RNN 虽是线性复杂度却有梯度消失、难以并行。状态空间模型（SSM，Gu et al. 2021）走中间路线：用连续系统的离散化，把历史压成一个状态向量 h_t 沿时间递推。Mamba（Gu & Dao 2023）再加一招「选择性」——让扫描步长 Δ 由输入决定，模型自己决定「记住什么、忘掉什么」。本文用纯 numpy+scipy 从零实现零阶保持离散化、递归扫描与卷积视角，在「目标被 130 步前事件驱动」的长程依赖合成序列上实测：带持久循环状态的选择性 SSM 预测 MSE=0.50，相对 120 窗口线性基线(2.93)降 82.9%、相对 AR(1)(1.34)降 62.7%——因为循环状态携带了窗口外的回声；并诚实拆穿线性读出下 SSM 不赢线性基线、Δ 选择性是演示近似、状态维度 N 受限、训练不稳、长程衰减五类真实陷阱（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)。

报价价差不是一个数，而是三种成本的叠加：逆向选择成本（信息）、库存成本（做市商风险）、指令处理成本。本文用状态空间模型把价差当成观测，用卡尔曼滤波从单条序列里把前两个隐状态拆出来，样本内复原相关达 0.76，并给出真实数据落地的协方差估计法。