Regression model
卡尔曼滤波器 — 金融状态空间模型
卡尔曼滤波器是一种递归算法，它在动态状态空间框架内估计具有时变参数、隐藏因子和噪声观测值的金融模型。结构时间序列的处理由 Harvey (1989) 提出，状态空间和状态转换模型扩展由 Kim 和 Nelson (1999) 开发；它广泛应用于配对交易、时变 Beta 估计和收益率曲线建模。
用 EconMind 应用即将推出Apply, compare, get guidance
Tools & resources
Learn & explore
视频即将推出
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521405737
- Kim, C. J. & Nelson, C. R. (1999). State-Space Models with Regime Switching. MIT Press. ISBN: 978-0262112383
如何引用本页
ScholarGate. (2026, June 1). Kalman Filter — Financial State-Space Model. ScholarGate. https://scholargate.app/zh/finance/kalman-filter-finance
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- ARIMA（自回归积分滑动平均）模型计量经济学↔ 比较
- 多因子风险模型（Fama-French, APT）金融学↔ 比较
- 长记忆模型（ARFIMA, FIGARCH）金融学↔ 比较
- 主成分风险因子金融学↔ 比较
- 随机波动率模型 (Heston)金融学↔ 比较