Adaptiva Glidande-Medelvärde Kalmanfilter

Den här tråden frågar när ett diskret Kalman-filter är bättre annorlunda än ett enkelt glidande medelvärde av observationerna. Det finns inget slutgiltigt svar kan någon ge ett definitivt exempel där kalmanfiltret, helst i enkelt 1D-fall, gör något annorlunda och bättre än Hålla ett rörligt medelvärde och ange villkoren när kalmanfiltret skulle minska till ett enkelt rörligt medelvärde. En tanke är att kalmanfiltret inte skulle väga alla datapunkter lika eftersom dess varians är initialt mindre och blir bättre med tiden men det låter Så skulle det bara betyda nära initiala observationer, och att när variansen konvergerade skulle kalmanfiltret väga varje observation lika mycket som ett glidande medelvärde, så förstår inte när de två är olika och varför när filtret skulle göra bättre. 17 15 vid 23 52.as det första svaret med de flesta rösterna säger Kalman-filtret är bättre i vilket fall som helst när signalen ändras Observera problemformuleringen Dessa använder algo Rithm för att uppskatta någon konstant spänning Hur kan man använda ett Kalman-filter för detta vara bättre än att bara hålla ett löpande medelvärde Är dessa exempel bara förenklade använda fall av filtret med ett kalmanfilter för att uppskatta en konstant spänning är definitivt överkill I det speciella problemet är det Är bättre att använda löpande medelvärdet, vilket vi vet är den bästa estimatorn för Gaussfördelningar. I det här exemplet är den uppmätta spänningen den faktiska spänningen V men med något brus som vanligen modelleras som 0 betyder Gaussiskt vitt brus så att våra mätningar är gaussiska med medelvärde V , Och sigma sigma noise. The kalman filter är bättre lämpat för att uppskatta saker som förändras över tid. Det mest konkreta exempelet är att spåra rörliga objekt. Låt oss föreställa oss att vi kastar en boll, vi vet att det kommer att göra en parabolbåg, men vad kommer våra estimatorer att visa. Ett Kalman-filter kommer att ligga mycket nära den aktuella banan eftersom det står att den senaste mätningen är viktigare än de äldre när kovariansen är Lågt som är Det löpande medelvärdet tar alla mätningar lika. blå bollbanan, löpande medelvärde. Ledsen ingen kalman om jag har tid att jag slänger in där om jag har tid, men det skulle mig mycket närmare den blå linjen förutsatt att du modellerade systemet well. equations artighet av wikipedia. Kalman-filtret å andra sidan säger om Vår överensstämmelse och återstående var små men vi hade en bra uppskattning, då kommer vi att hålla fast vid tidigare uppskattningar och tweak det en liten bit baserat på restvärdet eller vårt uppskattningsfel. Nu eftersom vår xhat kk ligger mycket nära det faktiska tillståndet, När vi utarbetar nästa uppdatering, kommer vi att använda ett systemtillstånd som nära matchar det faktiska tillståndet. Om x 30 anger löpande medelvärdet, är det ursprungliga villkoret y 0 lika viktigt som y 29, det är det och du blir enorm Fel Kalman-filtret stod för detta Det sa eftersom vårt fel förra gången var enormt, gör en drastisk förändring i vår uppskattning av vår xhat, så när vi använder den för nästa uppdatering kommer den att närma sig vad som händer. Jag hoppas att Gör viss mening. Jag märkte bara att din fråga frågar om am Oving average vs kalman Jag svarade att köra avg vs Kalman som är ämnet för länken du gav. Bara att lägga till lite mer information specifikt för det rörliga fönsterfönstret. Det rörliga genomsnittet är en bättre uppskattning av förändrade värden eftersom det bara tar hänsyn till mer Senaste prover Tyvärr har det en fördröjning förknippad med det, särskilt om att ändra derivat. Se bara nära t 30, där derivatet går från positivt till negativt. Detta beror på att medeltiden är långsam för att se fluktuationer. Det är vanligtvis varför vi använder det, till Ta bort fluktuationsljud Fönstermåttet spelar också en roll Ett mindre fönster är vanligen närmare de uppmätta värdena, vilket är meningsfullt och låter bra. Högersidan av detta är om du har bullriga mätningar betyder ett litet fönster att fler brusprogram uppstår mer i Utgången Låt oss titta på den andra frågan igen. Mätningar med medelvärde 5, sigma 1.z 0 3708435, 0 4985331, 0 4652121.medlet av de första 3 proverna är 0 4448629 inte exakt nära 5 Förväntat värde Detta visar igen att med det mindre fönstret har buller en djupare effekt på utmatningen. Så logiskt är vårt nästa steg att ta större fönster för att förbättra ljudimmuniteten. Det visar sig att större fönster är ännu långsammare att reflektera Faktiska förändringar återigen tittar på t 30 i min graf och det mest extrema fallet med windowing är i grunden det löpande genomsnittet som vi redan vet är dåligt för att ändra data. Nu tillbaka till det magiska kalman-filtret Om du tycker om det liknar det ett 2 prov Windowed genomsnittet liknar inte detsamma Titta på X kk i uppdateringssteget, det tar det tidigare värdet och lägger till det en viktad version av det aktuella provet. Du kanske tror, ​​hur bra är det med brus Varför är det inte känsligt för samma problem som Windowed average med en liten samplingsstorlek Eftersom kalmanfiltret tar hänsyn till osäkerheten hos varje mätning. Vägningsvärdet K kalmanvinst kan dock anses som ett förhållande mellan kovariansosäkerheten för din uppskattning och c Ovarian osäkerhet av den aktuella uppskattningen är faktiskt det resterande, men det är lättare att tänka på det på så sätt Så om den senaste mätningen har mycket osäkerhet K minskar och sålunda spelar det senaste provet en mindre rulle Om den senaste mätningen har mindre osäkerhet Än förutsägelsen, ökar koden och nu spelar den nya informationen en större roll i nästa uppskattning Så även med en liten samplingsstorlek blockerar kalmanfiltret fortfarande mycket av bruset. Ihoppet, jag hoppas att svarar det fönsterfönster Vs kalman fråga now. answered Feb 18 15 på 3 34. En annan ta Kalman Filter kan du lägga till mer information om hur systemet du filtrerar fungerar med andra ord kan du använda en signalmodell för att förbättra filterets uteffekt. , Ett glidande medelfilter kan ge mycket bra resultat när du väntar på en konstant utmatning. Men så fort signalen du modellerar är dynamiskt tänktal eller positionsmätningar, kommer det enkla glidande medelfiltret inte att Förändras tillräckligt snabbt eller överhuvudtaget jämfört med vad Kalman-filtret kommer att göra. Kalman-filtret använder signalmodellen, som fångar din kunskap om hur signalen ändras, för att förbättra dess effekt i förhållande till variansen från sanningen. Svarat 18 februari 15 på 13 11.Kaufman Adaptive Moving Average Trading Strategi Setup Filter. I Trading Strategy. Developer Perry Kaufman Kaufman Adaptive Moving Average KAMA Källa Kaufman, PJ 1995 Smartere Trading Förbättrad prestation i Changing Markets New York McGraw-Hill, Inc Koncept Trading strategi baserad på en adaptiv Ljudfilter Forskning Mål Prestationsverifiering av inställningen och filtret Specifikation Tabell 1 Resultat Figur 1-2 Handel Konfigurera Långa Trader Den Adaptiva Flyttande Medelvärdet AMA visar sig Korta Trader Det Adaptiva Flyttande Medeltalet Stänger Obs! AMA-trendlinjen verkar sluta när marknaderna inte har någon riktning När marknadens trend börjar, kommer AMA-trendlinjen att fånga upp handelsinträde långa affärer. Ett köp i slutet är placerat efter en hausseinställning. Korta affärer En försäljning i slutet är placerad efter en bearish setup. Trade Exit Tabell 1 Portfölj 42 terminsmarknader från fyra stora marknadssektorer råvaror, valutor, räntor och aktieindex. Data 32 år sedan 1980 Testplattform MATLAB. II Sensitivity Test. All 3- D-diagram följs av 2-D-konturdiagram för vinstfaktor, Sharpe-förhållande, Ulcer Performance Index, CAGR, Maximal Drawdown, Procent Lönsam Trades och Avg Win Avg Loss Ratio Den slutliga bilden visar känsligheten för Equity Curve. Tested Variables ERLength FilterIndex Definitioner Tabell 1.Figur 1 Portfölj Prestanda Ingångar Tabell 1 Kommissionens Slippage 0.AMA ERLength är det adaptiva rörliga genomsnittet under en period av ERLength ERLength är en tittarperiod för effektivitetsförhållandet ER ER I abs Riktning I Volatilitet jag, där abs är den Absolutvärde Riktning i Stäng jag Stäng i ERLength, Volatilitet i abs DeltaClose jag, ERLength, var är summan över en period av ERLength, DeltaClose i Stäng jag Stäng i 1 FastMALength är en period D av det snabbrörande medeltalet SlowMALength är en period av det långsamma AMA i AMA i 1 ci. Stäng jag AMA i 1, där ci ER I Fast Slow Slow 2, Fast 2 FastMALength 1, Slow 2 SlowMALength 1 Index i. ERLength 2 , 100, Steg 2 FastMALength 2 SlowMALength 30.Long Trades Om AMA i AMA i 1 AMA i 1 AMA i 2 så blir MinAMA AMA i 1 Adaptive Moving Average upp med en pivot vid MinAMA Short Trades AMA i AMA i 1 AMA i 1 AMA I 2 då MaxAMA AMA I 1 Adaptive Moving Average viker ned med en pivot vid MaxAMA Index i. Filter i FilterIndex StdDev AMA I AMA i 1, N, där StdDev är standardavvikelsen för serier över N perioder N 20 standardvärde Index i. FilterIndex 0 0, 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 Jag filtrerar i Index i. Stoppförlust Exit ATR ATRLength är den genomsnittliga True Range under en period av ATRLength ATRStop är en multipel av ATR ATRLength Long Trades A se Ll stop är placerad vid Inträde ATR ATRLängd ATRStop Short Trades Ett köpstopp är placerat vid Inträde ATR ATRLängd ATRStop. ATRLength 20 ATRStop 6.ERLength 2, 100, Step 2 FilterIndex 0 0, 1 0, Steg 0 02.Kalman Filter PackageThis Paketet implementerar följande Kalman-filter.1 Standard Kalman Filter 2 Extended Kalman Filter 3 Dual Kalman Filter 4 Kvadratrot Kalman Filter. Detta paket innehåller också instruktiva exempel för varje filtertyp som visar deras praktiska tillämpning. I alla 4 fall accepterar KF-funktionerna som Ingångs bullerprover av ett mångdimensionellt system och producerar KF-uppskattningen av det sanna systemtillståndet baserat på de tidsvariationer av processbruskovarianserna som är inneboende i de bullriga proverna. Exponentialvägt eller obevägt glidande medelvärden används för att uppskatta det tidsvarierande systemet Covariances från bullriga mätningar. Standard Kalman Filter är den mest grundläggande KF-implementeringen. Det förutsätter en modell som de bullriga mätningarna innehåller det sanna systemtillståndet plus white noi Se. Det utvidgade Kalman-filtret är en generalisering av Standard Kalman-filtret som tillåter användaren att ange en icke-linjär systemmodell, som sedan iterativt lineariseras under EKF-utförandet. Dual Kalman-filtret löser samtidigt två standard Kalman-filterproblem.1 Passar en auto - regressiv modell för data och tillämpar ett Kalman-filter för att uppdatera AR-modellen.2 Tillämpar AR-modellen vid varje iteration innan standardkF-uppdateringen utförs. Square Root Kalman-filter är en mer robust och numeriskt stabil metod för att utföra Standard Dual Kalman Filtrering , Speciellt när de kovariansmatriser som är av intresse är illakonditionerade eller nästan inte positiva bestämda. Kvadratroten Kalman Filtrering-idén är att sprida processfelkovariansen P i kvadratrotformen PUDU, där U och D uppdateras iterativt och P inte uttryckligen beräknas Om du gör det kommer du att garantera att P är positiv bestämd och därigenom öka KFs numeriska stabilitet.