对于时刻的状态
(股价)的估计(预测)为:
式子中为观测值。而权重实际上是斐波那契数的比率。
从状态规矩的式子可以看出,离当前时间最远的观测值的权重是。我们看下图,是斐波那契数列的每个值求倒数之后的序列值。随着T的增加,最远的观测值对状态值的贡献变得微不足道。或者说,随和T(时间)的增加,远的时间的观测值对当前状态预测的影响变得很小。
![](https://img-blog.csdnimg.cn/b22220f4917341fb9bec29ec7abcd7bc.png)
如果有10个观测值,那么它们的权重为下表:
有了可用的权重和观测值,计算过程就变成了对观测值的加权平均值的简单计算。
为了使用卡尔曼滤波器实现不同粒度(coaserness)的平滑效果,我们利用了与随机游动序列采样相关的一个重要属性:以任何频率采样随机游动序列得到的还是随机游走序列。
卡尔曼平滑方法可以应用于以不同频率采样的随机游动序列,以实现不同粒度的平滑效果。我们的示例中,频率是可用数据的一半,对随机游动进行采样来计算状态值。比如,估计时间的状态,我们使用的观测值是
。类似地,估计时间
的状态,使用的观测值
。如图是对S&P价格时序取对数的数列的平滑效果:
![](https://img-blog.csdnimg.cn/fab801c331f1405d8b59e9f77bb7ebc9.png)