卡尔曼滤波应用：过滤随机游走过程

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。

斐波那契数列中的值求倒数

 

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：

卡尔曼平滑一个随机游走序列