Forecasting With the Standardized Self‐Perturbed Kalman Filter
使用标准化自扰动卡尔曼滤波器进行预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要将滤波器用于标普 500 股权溢价预测，并检验已实现方差对超额收益的预测信息，直接对应金融收益预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
使用标准化自扰动卡尔曼滤波器进行预测
- 研究问题
- 面对参数不稳定，如何在线估计并跟踪模型参数，同时利用已实现方差信息预测标普 500 指数的股权溢价？
- 方法与思路
- 作者以测量误差方差估计值加权状态协方差更新中的扰动项，使其随数据不确定性缩放，并通过蒙特卡洛模拟与收益预测评价方法。
- 材料陈述的贡献
- 摘要称，该标准化设计免去一个设计参数的校准，并在模拟中相较其他在线算法及经典、贝叶斯方法较好地追踪参数动态。
- 阅读关注点
- 核对扰动项与测量误差方差的更新规则、参数变化的模拟设定及基准方法，并检查股权溢价预测的样本划分和评价指标。
- 阅读边界
- 摘要未报告模拟优势的数值、适用条件或股权溢价预测效果，也未给出已实现方差的预测结论；不能据此确认普遍改善。
原文摘要
Summary We propose and study the finite‐sample properties of a modified version of the self‐perturbed Kalman filter of Park and Jun ( Electronics Letters 1992; 28 : 558–559) for the online estimation of models subject to parameter instability. The perturbation term in the updating equation of the state covariance matrix is weighted by the estimate of the measurement error variance. This avoids the calibration of a design parameter as the perturbation term is scaled by the amount of uncertainty in the data. It is shown by Monte Carlo simulations that this perturbation method is associated with a good tracking of the dynamics of the parameters compared to other online algorithms and to classical and Bayesian methods. The standardized self‐perturbed Kalman filter is adopted to forecast the equity premium on the S&P 500 index under several model specifications, and determines the extent to which realized variance can be used to predict excess returns. Copyright © 2016 John Wiley & Sons, Ltd.