卡爾曼濾波預測中國股票有用

㈠ 金融學前沿課題

我是一個理財師，對於金融方面的知識還是比較了解一些的，而且我自己也是金融學專業的人，我們的金融學，比較前沿的課題有下面幾個，希望大家可以參考：

第一、金融模型的研究是一個比較困難的前沿學科，對於經濟和金融的數據化分析要求十分的高，特別是金融模型，必須在數學基礎上開始建立自己的研究項目，這點要求金融學的人，必須有極高的數學素養。

第二、金融貨幣推理，這是一種對於貨幣分析的前沿研究，難度比較大，而且現在的研究范圍還比較小，所以要求專業性極強，特別是對於貨幣知識，要求有一定的專門實際操作的經驗，這點來說難度很大。

第三、金融衍生品的學術研究，是金融專業裡面實用的專業，也是比較前沿的專業，金融衍生品有很多類型，比如期權期貨互換之類，要求研究的人專業性比較強，同時具備一定的實際知識。

第四、金融的資金融通，是一個研究的最前沿，也是現在國際和國內比較關注的一個研究課題，不過這類研究范圍很大，幾乎涵蓋所以的金融轉換，所以研究的人必須具備極高的金融學和經濟學基礎。

第五、金融服務研究，這類研究是最近十幾年開始的一個研究課題，主要是對於金融行業繼續深化服務品質的一種研究，提高金融效率的一種研究。

上的這些研究的課題，對於金融專業來說，是最前沿的研究項目，其復雜程度很高，所以金融專業的人，要研究這些課題需要付出極大的努力，而且要有一種毅力，我在這方面有一定接觸，所以希望開始研究的朋友們，把自己的精力全部的集中起來，這樣才可以真正的做好研究工作！

㈡ 卡爾曼濾波如何預測

很多人將卡爾曼濾波用在股票啊，流量啊的上面，其實不是很科學，卡爾曼濾波運用的是『慣性思維』，在普通的觀測上加入了物體的運動有慣性，加速度很難突變的條件增加准確度。而客流量這種東西並沒有慣性，除非你有相關模型，否則不是很適用卡爾曼濾波。PS：如果你做的是對於一個目標有多個觀測數據，那麼也是可以用卡爾曼濾波的，不過不需要使用狀態轉移矩陣了。對於一般的非機動目標，直接使用離散的常速CV模型作為狀態轉移矩陣，雜訊在速度引入。觀測矩陣要按實際情況，如果是做模擬，可以直接使用單位矩陣

卡爾曼濾波（Kalman filtering）一種利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計的演算法。由於觀測數據中包括系統中的雜訊和干擾的影響，所以最優估計也可看作是濾波過程。
斯坦利·施密特(Stanley Schmidt)首次實現了卡爾曼濾波器。卡爾曼在NASA埃姆斯研究中心訪問時，發現他的方法對於解決阿波羅計劃的軌道預測很有用，後來阿波羅飛船的導航電腦使用了這種濾波器。 關於這種濾波器的論文由Swerling (1958), Kalman (1960)與 Kalman and Bucy (1961)發表。
數據濾波是去除雜訊還原真實數據的一種數據處理技術, Kalman濾波在測量方差已知的情況下能夠從一系列存在測量雜訊的數據中，估計動態系統的狀態. 由於, 它便於計算機編程實現, 並能夠對現場採集的數據進行實時的更新和處理, Kalman濾波是目前應用最為廣泛的濾波方法, 在通信, 導航, 制導與控制等多領域得到了較好的應用。
狀態估計是卡爾曼濾波的重要組成部分。一般來說，根據觀測數據對隨機量進行定量推斷就是估計問題，特別是對動態行為的狀態估計，它能實現實時運行狀態的估計和預測功能。比如對飛行器狀態估計。狀態估計對於了解和控制一個系統具有重要意義，所應用的方法屬於統計學中的估計理論。最常用的是最小二乘估計，線性最小方差估計、最小方差估計、遞推最小二乘估計等。其他如風險准則的貝葉斯估計、最大似然估計、隨機逼近等方法也都有應用。
受雜訊干擾的狀態量是個隨機量，不可能測得精確值，但可對它進行一系列觀測，並依據一組觀測值，按某種統計觀點對它進行估計。使估計值盡可能准確地接近真實值，這就是最優估計。真實值與估計值之差稱為估計誤差。若估計值的數學期望與真實值相等，這種估計稱為無偏估計。卡爾曼提出的遞推最優估計理論，採用狀態空間描述法，在演算法採用遞推形式，卡爾曼濾波能處理多維和非平穩的隨機過程。