Filtro de Kalman robusto ante la incertidumbre de volatilidad

Resumen

Este trabajo desarrolla un método de filtrado de Kalman para situaciones en las que hay incertidumbre sobre las matrices de covarianza del ruido y las estimaciones de covarianza predichas. Utiliza una formulación robusta desde el punto de vista distributivo para tener en cuenta modelos alternativos plausibles, y define el conjunto de incertidumbre mediante transporte óptimo bicausal.

La optimización resultante se reformula como un programa semidefinido no lineal convexo y se resuelve con un método de punto interior de región de confianza que utiliza una descomposición LDL-transpose. Los autores comunican un rendimiento empírico superior en seguimiento de objetivos y pair trading. El fragmento no especifica las referencias de comparación, los datos ni las métricas de evaluación, por lo que no es posible valorar la amplitud o solidez estadística de esas mejoras. El valor práctico del método dependerá de sus supuestos sobre la incertidumbre del modelo y de las exigencias computacionales de la optimización.

Ideas clave

• El filtro aborda la incertidumbre en las covarianzas del ruido y las estimaciones de covarianza predichas.
• El transporte óptimo bicausal se utiliza para definir un conjunto de modelos alternativos plausibles.
• La optimización se formula como un programa semidefinido no lineal convexo.
• El método se evalúa en seguimiento de objetivos y pair trading, aunque el fragmento no da detalles de las referencias de comparación.

Etiquetas

# Distributionally robust Kalman filtering with volatility uncertainty


# Distributionally robust Kalman filtering with volatility uncertainty









This work presents a distributionally robust Kalman filter to address uncertainties in noise covariance matrices and predicted covariance estimates. We adopt a distributionally robust formulation using bicausal optimal transport to characterize a set of plausible alternative models. The optimization problem is transformed into a convex nonlinear semi-definite programming problem and solved using the trust-region interior point method with the aid of $LDL^\top$ decomposition. The empirical outperformance is demonstrated through target tracking and pairs trading.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.