اتار چڑھاؤ کی غیر یقینی کے تحت تقسیم کے لحاظ سے مضبوط کالمن فلٹرنگ

خلاصہ

یہ کام ایسے حالات کے لیے کالمن فلٹرنگ کا طریقہ تیار کرتا ہے جہاں شور کے کوواریئنس میٹرکس اور پیش گوئی شدہ کوواریئنس کے تخمینے غیر یقینی ہوں۔ ممکنہ متبادل ماڈلز کو شامل کرنے کے لیے یہ تقسیم کے لحاظ سے مضبوط تشکیل استعمال کرتا ہے، جس میں دو طرفہ علّی بہترین ٹرانسپورٹ غیر یقینی کے مجموعے کی تعریف کرتی ہے۔

نتیجے میں حاصل ہونے والی اصلاح کو محدب غیر خطی نیم معین پروگرام کی صورت میں دوبارہ مرتب کیا گیا ہے اور LDL-ٹرانسپوز ڈی کمپوزیشن استعمال کرتے ہوئے ٹرسٹ ریجن اِنٹیریئر پوائنٹ طریقے سے حل کیا گیا ہے۔ مصنفین ہدف کی ٹریکنگ اور پیئرز ٹریڈنگ میں تجرباتی طور پر بہتر کارکردگی کی رپورٹ دیتے ہیں۔ اقتباس میں معیارِ موازنہ، ڈیٹا یا جانچ کے پیمانوں کی وضاحت نہیں، اس لیے ان فوائد کی وسعت یا شماریاتی مضبوطی جانچنا ممکن نہیں۔ طریقے کی عملی افادیت ماڈل کی غیر یقینی سے متعلق مفروضوں اور اصلاح کے حسابی تقاضوں پر منحصر ہوگی۔

اہم خیالات

• فلٹر شور کے کوواریئنس اور پیش گوئی شدہ کوواریئنس کے تخمینوں کی غیر یقینی سے نمٹتا ہے۔
• ممکنہ متبادل ماڈلز کا مجموعہ متعین کرنے کے لیے دو طرفہ علّی بہترین ٹرانسپورٹ استعمال کی گئی ہے۔
• اصلاح کو محدب غیر خطی نیم معین پروگرام کی صورت دی گئی ہے۔
• طریقے کو ہدف کی ٹریکنگ اور پیئرز ٹریڈنگ میں جانچا گیا، اگرچہ اقتباس میں معیارِ موازنہ کی تفصیل نہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔