第16章 统计套利进阶：卡尔曼滤波动态基差估计、状态空间模型应用、时变参数模型
各位，欢迎来到统计套利的进阶篇。
前面我们聊的基差交易，大多假设价差是稳定的。但真实市场哪有那么乖？价差会漂移，参数会变化，连回归关系都可能说翻脸就翻脸。这时候，静态的OLS（普通最小二乘法）就不够用了。
我们需要一套能“自我进化”的模型。今天要讲的卡尔曼滤波、状态空间模型和时变参数模型，就是干这个的。
16.1 为什么需要动态估计？
先问一个问题：你用一个固定回归系数去做配对交易，结果发现最近半年这个系数一直在变。怎么办？
我早年做螺纹钢和热卷的套利时，就踩过这个坑。当时用过去两年的数据算出一个对冲比例，觉得稳了。结果市场结构一变，那个比例直接失效，亏得我头皮发麻。
后来我明白了：市场参数不是常数，是随机游走的。
静态模型的问题在于：
- 它把所有历史数据一视同仁，旧数据和新数据权重一样
- 它假设关系不变，但市场结构会变
- 它无法处理缺失值和异频数据
说白了，静态模型就像用后视镜开车。而动态模型，是给你装了个实时雷达。
16.2 状态空间模型：把问题拆成两层
状态空间模型的核心思想很简单：把系统拆成“状态”和“观测”两层。
- 状态方程：描述隐藏变量（比如真实基差、对冲比例）如何随时间演变
- 观测方程：描述我们能看到的价格数据如何由状态变量生成
举个例子。假设我们做焦煤和焦炭的套利。真实的对冲比例β_t是随时间变化的，它服从一个随机游走：
β_t = β_{t-1} + w_t, w_t ~ N(0, Q)而我们观测到的价差y_t，由这个β_t决定：
y_t = β_t * x_t + v_t, v_t ~ N(0, R)这里w_t是状态噪声，v_t是观测噪声。Q和R是我们要估计的超参数。
我个人习惯把Q设得大一点，让模型对变化更敏感。但也不能太大，否则模型会跟着噪声乱跳。这个度，得靠回测去调。
16.3 卡尔曼滤波：递归的“预测-更新”循环
卡尔曼滤波是状态空间模型的标准求解器。它像一个聪明的滤波器，每来一个新数据，就做两件事：
- 预测：根据上一时刻的状态，预测当前时刻的状态
- 更新：用当前观测值修正预测，得到更准确的状态估计
这个递归过程，计算量极小，非常适合高频场景。
核心公式（简化版）：
# 预测步骤
β_pred = β_prev
P_pred = P_prev + Q
# 更新步骤
K = P_pred * x / (x * P_pred * x + R) # 卡尔曼增益
β_updated = β_pred + K * (y - β_pred * x)
P_updated = (1 - K * x) * P_pred你看，卡尔曼增益K决定了我们更相信预测还是更相信观测。如果观测噪声R很大，K就小，模型更依赖预测。如果状态噪声Q很大，K就大，模型更依赖新数据。
我曾经在沥青和原油的套利中用过这个。当时原油波动剧烈，静态模型完全跟不上。换成卡尔曼滤波后，对冲比例每天自动调整，回测夏普直接从0.8跳到1.5。嗯，效果立竿见影。
16.4 时变参数模型：让系数自己“走路”
时变参数模型（TVP）是状态空间模型的一个特例。它假设所有回归系数都随时间变化，且变化方式通常是随机游走。
为什么用随机游走？因为金融数据里，参数的变化往往没有明显的均值回归特性。你今天看到的关系，明天可能就变了，而且你不知道它会往哪个方向变。
实现时，我建议用Python的pykalman或statsmodels的UnobservedComponents。下面是一个实战代码片段：
from pykalman import KalmanFilter
import numpy as np
# 构建卡尔曼滤波器
kf = KalmanFilter(
transition_matrices=[1], # 状态转移矩阵
observation_matrices=[x], # 观测矩阵
initial_state_mean=0,
initial_state_covariance=1,
transition_covariance=Q, # 状态噪声
observation_covariance=R # 观测噪声
)
# 滤波
state_means, state_covs = kf.filter(y)这里有个坑：初始参数Q和R怎么设？
我的经验是：先用EM算法（期望最大化）从一段历史数据中估计出Q和R的初始值。然后根据实际交易效果微调。如果模型反应太慢，就增大Q；如果太敏感，就减小Q。
避坑指南：
我曾经在铁矿石和螺纹钢的套利中，把Q设得太小，导致模型对2021年那波政策冲击完全没反应。后来我改成用滚动窗口的MLE（最大似然估计）每季度重新估计一次Q和R，才解决了这个问题。
16.5 实战中的注意事项
说了这么多，最后给几个实战建议：
| 问题 | 解决方案 |
|---|---|
| 参数Q/R难以确定 | 用EM算法或贝叶斯方法估计，或做网格搜索 |
| 模型发散（状态估计爆炸） | 检查观测方程是否可识别，或加入正则化 |
| 计算速度要求高 | 用Cython或Numba加速，或降低状态维度 |
| 多品种配对 | 用多维状态空间模型，但注意维度灾难 |
另外，我建议你在实盘前，先用历史数据做一遍“回溯滤波”。也就是用过去的数据跑一遍卡尔曼滤波，看看估计出的时变参数是否合理。如果参数波动太大，说明模型可能过拟合了。
重要提醒：
卡尔曼滤波不是万能的。如果市场结构发生突变（比如交易所修改合约规则），任何动态模型都需要重新校准。别指望模型能自动适应一切。
16.6 一张图总结本章逻辑
下面这张图展示了从静态模型到动态模型的演进路径，以及卡尔曼滤波在其中的位置：
从这张图可以看得很清楚：静态模型是起点，状态空间模型是框架，卡尔曼滤波是求解工具，时变参数模型是具体应用。它们层层递进，最终服务于实战中的动态基差估计。
好了，这一章的内容就到这里。动态模型是个好东西，但别迷信它。记住：模型是工具，不是上帝。用得好，它能帮你赚钱；用得不好，它也能让你亏得莫名其妙。多测试，多思考，才是正道。
公众号:蓝海资料掘金营，微信deep3321