跳至正文
返回文库全部文档

波动不确定性下的分布鲁棒卡尔曼滤波

文章 arXiv papers · 作者: Bingyan Han
阅读原文

总结

本文提出一种卡尔曼滤波方法，用于噪声协方差矩阵和预测协方差估计存在不确定性的情形。该方法采用分布鲁棒框架，将合理的备选模型纳入考虑，并通过双因果最优传输定义不确定集。

随后，作者将所得优化问题改写为凸非线性半定规划，并采用信赖域内点法和 LDL-transpose 分解求解。作者报告称，该方法在目标跟踪和配对交易中的实证表现更优。摘录未说明基准、数据或评估指标，因此无法判断这些优势的普遍程度或统计显著性。该方法的实际价值取决于其对模型不确定性的假设，以及优化所需的计算量。

核心观点

  • 该滤波器处理噪声协方差和预测协方差估计中的不确定性。
  • 研究使用双因果最优传输定义一组合理的备选模型。
  • 该优化问题被表述为凸非线性半定规划。
  • 该方法在目标跟踪和配对交易中接受评估，但摘录未提供基准详情。

标签

统计学配对交易均值回归
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。