Supposons que la série temporelle X est une marge aléatoire gaussienne d'état caché et que l'on observe YX e, où e est un bruit blanc gaussien indépendant de X. L'estimateur de Kalman de X dans ce cas a une solution de forme fermée stable et correspond à une moyenne mobile exponentielle Plus lisse avec un paramètre de lissage constant. Le paramètre de lissage optimal ressemble à lambda frac où p est une formule quadratique de rapport signal / bruit entre e et Delta. Voir la formule pour la forme fermée (en recherchant le bruit aléatoire de la marche de la solution de kalman). Si nous avons à la place des observations indépendantes multiples Y1, Y2. , C'est-à-dire indépendante e1, e2. Il y a une solution de forme fermée pour l'estimateur optimal de X. À quoi ressemblerait-on Si les e1, e2 étaient indépendants et identiquement distribués (même écart-type), je peux imaginer que le meilleur estimateur pour X est simplement la moyenne des estimateurs obtenus en traitant le Problème comme univarié pour chaque Y. Si les e1, e2. Ont une variance différente, alors certaines séries Y devraient avoir de faibles pondérations dans l'estimateur global car leur rapport signal / bruit est plus faible. Peut-être la solution de forme fermée est linéaire avec des coefficients proportionnels à chaque rapport signal / bruit Y. Existe-t-il une solution de forme fermée connue Google semble ne pas être trop utile sur ce problème. Demandée Feb 19 13 à 6: 54this question demande quand un filtre à temps discret Kalman est betterdifferent d'une simple moyenne mobile des observations: theres aucune réponse définitive. Peut-on donner un exemple définitif où le filtre kalman, idéalement dans le cas 1D simple, fait quelque chose de différent (et mieux) que de garder une moyenne mobile, et d'indiquer les conditions lorsque le filtre kalman serait de réduire à une moyenne mobile simple une pensée est que le Kalman filtre ne serait pas peser tous les points de données également parce que sa variance est initialement plus petit et obtient mieux avec le temps. Mais il semble que cela ne serait important que près des observations initiales et que, une fois que la variance convergeait, le filtre kalman pèserait chaque observation aussi exactement comme une moyenne mobile, alors ne voyez pas quand les deux sont différents et pourquoi le filtre ferait mieux. A demandé Feb 17 15 à 23:52 que la première réponse (avec le plus de votes) dit, le filtre kalman est mieux en tout cas quand le signal est en train de changer. Remarquez l'énoncé du problème. Ils utilisent l'algorithme pour estimer une tension constante. Comment pourrait l'utilisation d'un filtre de Kalman pour cela être mieux que juste garder une moyenne courante Ces exemples sont simplifiés les cas d'utilisation du filtre à l'aide d'un filtre kalman pour estimer une tension constante est certainement, overkill. Dans ce problème particulier, il est préférable d'utiliser la moyenne courante, qui est le meilleur estimateur pour les distributions gaussiennes. Dans cet exemple, la tension mesurée est la tension réelle V mais avec un certain bruit typiquement modélisé comme 0 gaussien moyen (bruit blanc). De sorte que nos mesures sont gaussiennes avec meanV, et sigmasigma bruit. Le filtre kalman est mieux adapté pour estimer les choses qui changent au fil du temps. L'exemple le plus tangible est le suivi des objets en mouvement. Imaginons le lancer d'une boule, nous savons qu'il fera un arc parabolique, mais ce que nos estimateurs montrent Un filtre de Kalman sera très proche de la trajectoire réelle, car il dit la mesure la plus récente est plus important que les plus anciens (lorsque la covariance Est faible qui est). La moyenne courante prend toutes les mesures également trajectoire de la balle bleue, la moyenne rouges en cours (désolé pas kalman si j'ai le temps de mal jeter là-dedans si j'ai le temps, mais il me serait beaucoup plus proche de la ligne bleue en supposant que vous modèle le système bien ) Le filtre kalman d'autre part dit, si notre convariance et le résidu étaient petits (c'est-à-dire que nous avions une bonne estimation), alors nous allons nous en tenir à l'estimation précédente et le tordre un petit peu sur la base du résidu Erreur). Maintenant, puisque notre xhat kk est très proche de l'état réel, quand nous faisons la prochaine mise à jour, nous allons utiliser un état du système qui correspond étroitement à l'état réel. À x30, la moyenne courante indique, la condition initiale y (0) est tout aussi importante que y (29), thats that, et vous obtenez une erreur énorme. Le filtre de kalman expliquait cela. Il a dit que depuis notre erreur la dernière fois a été énorme, permet de faire un changement radical à notre estimation (notre xhat) donc quand nous l'utilisons pour la prochaine mise à jour, il sera plus proche de ce qui se passe réellement J'espère que cela fait un sens, Votre question demande une moyenne mobile vs kalman. J'ai répondu en cours avg vs kalman (qui est le sujet du lien que vous avez fourni) Juste pour ajouter un peu plus d'informations spécifiquement à la moyenne mobile (fenêtrée). La moyenne mobile est un meilleur estimateur de la variation des valeurs. Puisqu'il ne tient compte que des échantillons plus récents. Malheureusement, il y a un décalage qui lui est associé, surtout en ce qui concerne le changement des dérivés (regardez près de t30, où la dérivée va de positive à négative). C'est parce que la moyenne est lente à voir les fluctuations. Qui est généralement pourquoi nous l'utilisons, pour supprimer la fluctuation (bruit). La taille de la fenêtre joue également un rôle. Une petite fenêtre est généralement plus proche des valeurs mesurées, ce qui est logique et sonne bien, à droite. L'inconvénient de ceci est si vous avez des mesures bruyantes, une petite fenêtre signifie plus de bruit apparaît plus dans la sortie. Examinons l'autre question à nouveau avec des mesures moyennes .5, sigma .1 z 0.3708435, 0.4985331, 0.4652121. La moyenne des trois premiers échantillons est de 0,4448629, pas exactement proche de la valeur attendue de 0,5. Cela montre encore que, avec la plus petite fenêtre, le bruit a un effet plus profond sur la sortie. Alors logiquement, notre prochaine étape est de prendre des fenêtres plus grandes, pour améliorer notre immunité au bruit. Eh bien, les fenêtres plus grandes fenêtres sont encore plus lents pour refléter les changements réels (encore une fois regarder t30 dans mon graphique) et le cas le plus extrême de fenêtrage est fondamentalement la moyenne courante (que nous savons déjà est mauvais pour changer de données) Kalman filtre. Si vous y réfléchissez, il ressemble à un échantillon de 2 vitrines moyenne (semblable pas la même). Regardez X kk dans l'étape de mise à jour, il prend la valeur précédente, et lui ajoute une version pondérée de l'échantillon courant. Vous pourriez penser, et qu'en est-il du bruit Pourquoi n'est-il pas susceptible au même problème que la moyenne fenêtrée avec une petite taille d'échantillonnage Parce que le filtre kalman prend en compte l'incertitude de chaque mesure. La valeur de pondération K (gain de kalman) peut être cependant un rapport entre la covariance (incertitude) de votre estimation et la covariance (incertitude) de l'estimation courante (en fait c'est le résidu, mais c'est plus facile de le penser de cette façon) . Donc si la dernière mesure a beaucoup d'incertitude K diminue, et donc l'échantillon le plus récent joue un rouleau plus petit. Si la dernière mesure a moins d'incertitude que la prédiction, k augmente, et maintenant la nouvelle information joue un rôle plus important dans la prochaine estimation. Ainsi, même avec une petite taille d'échantillon, le filtre kalman bloque toujours beaucoup de bruit. De toute façon, j'espère que les réponses à la fenêtre avg vs kalman question maintenant répondu Feb 18 15 at 3:34 Une autre prise: Le filtre de Kalman vous permet d'ajouter plus d'informations sur la façon dont le système youre filtrage fonctionne. En d'autres termes, vous pouvez utiliser un modèle de signal pour améliorer la sortie du filtre. Bien sûr, un filtre à moyenne mobile peut donner de très bons résultats lorsque vous attendez une production proche de la constante. Mais dès que le signal que vous êtes en train de modéliser est dynamique (pensez des mesures de la parole ou de la position), alors le filtre de la moyenne mobile simple ne changera pas assez rapidement (ou pas du tout) par rapport à ce que fera le filtre de Kalman. Le filtre de Kalman utilise le modèle de signal, qui capture votre connaissance de la façon dont le signal change, pour améliorer sa sortie en termes de la variance de la vérité. Répondue Feb 18 15 at 13: 11Kalman Filter - New Moving Average Inscrit mai 2008 Statut: Membre 58 Messages Attached est la version complétée pour les deux fois le cadre de temps et le filtre de temps unique Kalman. Il suffit de penser à elle comme un autre type de moyenne mobile exponentielle. Les réglages sont simples. Pour AppliedPrice, utilisez ce qui suit: 0 - Prix ouvert 1 - Prix bas 2 - Haut Prix 3 - Fermer le prix Je n'ai pas d'autres types de prix ajoutés, et en raison de la nature du filtre je n'ajouterai plus dans l'un ou l'autre. Je voudrais mentionner que la période est un peu différente de ce que vous avez l'habitude de MA. Il fait encore techniquement la même chose que la période dans un EMA, mais en raison de la nature du filtre de Kalman augmentant la période n'a pas le même effet que sur d'autres moyennes mobiles. Vous pouvez jouer avec elle, mais une suggestion personnelle est de garder la période à 20,50,100 ou plus. Le Kalman est configuré pour certains paramètres génériques en ce moment, mais si quelqu'un a l'ambition de gâcher avec les matrices qu'il utilise pour les calculs, faites-le moi savoir et je vais tirer le code à votre façon. Comme vous le remarquerez, le Kalman normal ne peut pas être un indicateur de tendance à long terme, comme un 200 SMA, vous pouvez utiliser la version multi-temps pour exécuter le Kalman sur des cadres plus longs et l'utiliser comme indicateur quottrend. Personnellement Je préfère cela car il crée moins de lag et simule le quotlooking à plus de graphique pour s'assurer que les signaux matchquot théorie. Une idée est de tracer un Daily ou H4 Kalman sur un graphique de 15 ou 30 min, et l'utiliser pour jouer hors de la tendance à long terme pour ce jour. Je viens de terminer le débogage de l'indicateur aujourd'hui, et bien que très utile, cette version de l'indicateur n'est pas vraiment mon accent dès maintenant. Je travaille à l'optimiser pour mes besoins spécifiques qui implique un travail de maths lourds, mais cette version est configurée pour être un homme quotmiddle dans la bataille lisse vs temps de réponse que MAs toujours l'expérience. En outre depuis que je viens de terminer aujourd'hui, je n'ai pas une stratégie qui est actuellement appliquée à, et je n'ai pas une route d'or à la richesse simplement en utilisant un filtre plus lisse. Utilisez le filtre comme vous le souhaitez, peut-être si vous jouez autour avec elle et obtenir créatif, il pourrait trouver son chemin dans votre stratégie commerciale suivante. Différentes périodes de Kalman - Blue: 500 Kalman - Light Blue: 200 Kalman - Green: 100 Kalman - Red: 50 Kalman - Orange: 20 Kalman i295.photobucketalbumsm. Manperiods. gif Kissn tout le chemin vers le haut Les membres doivent avoir au moins 0 coupons à afficher dans ce fil. 1 trader afficher maintenant Forex Factoryreg est une marque déposée.
No comments:
Post a Comment