فیلتر کالمن مقاوم توزیعی در برابر عدم‌قطعیت نوسان

خلاصه

این پژوهش روشی برای فیلتر کالمن در شرایطی توسعه می‌دهد که ماتریس‌های کوواریانس نویز و برآوردهای کوواریانس پیش‌بینی‌شده نامطمئن‌اند. برای درنظرگرفتن مدل‌های جایگزین محتمل از صورت‌بندی مقاوم توزیعی استفاده می‌کند و انتقال بهینه دوعلّی مجموعه عدم‌قطعیت را تعریف می‌کند.

بهینه‌سازی حاصل به برنامه نیمه‌معین غیرخطی محدب بازنویسی می‌شود و با روش نقطه‌داخلی ناحیه اطمینان و تجزیه LDL-ترانهاده حل می‌شود. نویسندگان عملکرد تجربی بهتر در رهگیری هدف و معاملات جفتی را گزارش می‌کنند. گزیده معیارهای مبنا، داده‌ها یا سنجه‌های ارزیابی را مشخص نمی‌کند؛ بنابراین نمی‌توان گستردگی یا قدرت آماری این دستاوردها را سنجید. ارزش عملی روش به فرض‌های آن درباره عدم‌قطعیت مدل و نیاز محاسباتی بهینه‌سازی بستگی دارد.

ایده‌های کلیدی

• فیلتر با عدم‌قطعیت در کوواریانس نویز و برآوردهای کوواریانس پیش‌بینی‌شده سروکار دارد.
• برای تعریف مجموعه‌ای از مدل‌های جایگزین محتمل از انتقال بهینه دوعلّی استفاده می‌شود.
• بهینه‌سازی به‌صورت برنامه نیمه‌معین غیرخطی محدب صورت‌بندی می‌شود.
• روش در رهگیری هدف و معاملات جفتی ارزیابی شده، هرچند گزیده جزئیات معیارهای مبنا را ارائه نمی‌کند.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.