利用扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）做量化交易，正是解决金融数据非线性、高噪音挑战的有效方法。

它们是卡尔曼滤波（KF）在处理非线性问题上的重要扩展，能在充满市场噪音的金融数据中，更准确地估计出资产价格的"真实"趋势或波动率等潜在状态。

1. EKF与UKF的核心定位

在量化领域，EKF和UKF主要用于处理非线性动态系统，与标准的线性KF形成互补：

  • 标准卡尔曼滤波（KF）：是基础算法，但要求系统的状态转移和观测模型是线性的。现实中的金融模型，如期权定价、随机波动率等，都是非线性的，因此KF的应用受限。
  • 扩展卡尔曼滤波（EKF）：是解决弱非线性问题的主要工具。它通过对非线性模型进行一阶泰勒展开线性化，将问题转化为近似的线性系统来处理。
  • 无迹卡尔曼滤波（UKF）：是解决强非线性问题的更优选择。它通过一组精心选取的"采样点"（sigma points）来直接逼近非线性分布，比EKF的线性化近似更精确，且无需计算复杂的雅可比矩阵。

2. EKF与UKF在量化交易中的应用场景

这两种滤波器的应用非常广泛，覆盖了量化交易的多个环节。

2.1 资产价格趋势跟踪与滤波

这是最直接的应用。EKF或UKF可以将价格视为被噪音污染的"真实值"，通过递归预测和更新，动态估计出价格的平滑趋势。

  • 应用案例：EKF Portfolio EA，一个MetaTrader 5上的实盘自动交易系统，使用EKF为包含多个交易品种的投资组合动态跟踪和预测价格状态。
  • 开源工具：Python的quant-signal-engine库也提供了基于卡尔曼滤波的机制，用于从高频率、高噪音的市场数据中提取可交易信号。

2.2 统计套利策略，如配对交易

在配对交易中，关键在于准确估计两只股票价差的动态。EKF/UKF相比传统的线性回归，能更好地捕捉价差随时间的变化和状态转移。

  • 学术研究：许多研究（如arXiv论文及代尔夫特理工大学的硕士论文）探讨了卡尔曼滤波在配对交易中的应用。他们通过构建状态空间模型，用EKF/UKF过滤市场噪音，以生成更可靠的套利信号。

2.3 波动率建模与风险管理

金融资产的波动率是期权定价和风险管理（如VaR计算）的核心，但它本身是潜变量、不可直接观测。由于GARCH族（如FIGARCH）等波动率模型呈现强非线性，EKF/UKF是理想的估计工具。

  • 新兴研究：一篇2026年的论文就提出了用UKF和变分贝叶斯方法来估计具有长记忆性的商品波动率模型（FIGARCH/HYGARCH），并证明了UKF的有效性。

2.4 融合其他模型的技术

EKF/UKF常与其他模型结合以提升性能：

  • 与期权定价模型结合：一篇2007年的研究就将UKF与支持向量机（SVM）结合，以Black-Scholes公式为基础，预测期权的实时价格。
  • 与深度学习结合：最新的研究方向是使用"深度学习辅助的卡尔曼滤波"，通过神经网络来克服传统状态空间模型的近似和失配问题。

3. 主要优缺点与局限

方面 优点 缺点与挑战
理论模型 EKF和UKF天然适配金融市场的非线性动态。 EKF的线性化会引入误差；UKF虽更精确，但超参数选择影响性能。
数据处理 它们能出色地从高噪音数据中提取信号和实时估计状态。 KF类算法默认假设噪声服从高斯分布，而金融市场实际存在"尖峰厚尾"（非高斯）特征。
参数估计 可通过期望最大化（EM） 等算法优化EKF/UKF的关键参数（如过程与观测噪声协方差）。 卡尔曼增益的计算涉及矩阵求逆，可能导致数值不稳定，尤其在处理高维问题时。
策略执行 算法的递归性质适合实时与自动化交易。 卡尔曼滤波器存在滞后性，这在快速变化的市场中可能导致信号延迟。

4. 工程实现建议

如果你计划自己动手实现一个EKF或UKF交易策略，可以参考以下步骤：

  1. 定义状态空间模型：这是最关键的一步。你需要明确：
    • 状态向量x_t是什么？（例如：价格、价格的变化速度/加速度）。
    • 状态转移函数f()是什么？（即上一时刻的状态如何演变到下一时刻，例如带随机游走的运动模型）。
    • 观测函数h()是什么？（即观测到的市场价格与状态之间的关系，通常是线性映射）。
    • 这个过程和观测过程中噪声的协方差矩阵Q和R，它们是控制滤波器敏感度的主要参数。
  2. 选择合适的工具库：在Python中，filterpy是一个成熟的算法库，提供了现成的KF、EKF和UKF实现。对于EKF，你也可以手动实现，但对于更稳健、精确的UKF，强烈推荐直接使用filterpy等成熟的库。
  3. 参数调优与回测：EKF/UKF并非"银弹"。模型成功的关键在于将参数（特别是Q和R）与你的交易目标对齐。
    • 优化：使用EM算法（参见代尔夫特理工大学论文）或自适应卡尔曼滤波器（AKF）来自动优化噪声协方差。
    • 回测验证：在历史数据上严格回测，仔细评估实盘交易成本（如滑点、佣金）对策略净收益的影响。卢德大学的研究（2017）发现，尽管EKF和UKF策略平均日收益率有利，但结果在统计学上并不显著，提醒我们在回测时需进行严格的显著性检验。

总结

总的来说，EKF和UKF是处理金融数据非线性问题的强大工具，特别适用于价格趋势跟踪、统计套利和波动率建模等场景。它们是构建稳健量化模型的重要基石，但成功的关键在于细致地构建状态空间模型并进行严谨的参数优化与回测验证。

量化交易

登陆