Core Concepts
스토캐스틱 미분 방정식(SDE)을 모델링하고 분석하는 데 있어 칼만 필터링 이론의 적용이 중요하다. 확장 칼만 필터와 입자 확장 칼만 필터를 통해 기존 SDE 시스템을 적합시키고 원래의 SDE를 추적할 수 있다. 이를 통해 SDE에 대한 더 많은 정보를 얻을 수 있으며, 이는 데이터 기반 SDE 모델의 매개변수에 통합될 수 있다.
Abstract
이 논문은 스토캐스틱 미분 방정식(SDE)을 모델링하고 분석하는 데 있어 칼만 필터링 이론의 적용을 다룹니다.
서론:
SDE는 실세계 동적 시스템을 모델링하는 데 유용하지만, SDE의 매개변수, 경계 조건 및 폐쇄형 솔루션을 얻는 것은 어려울 수 있다.
이 논문에서는 SDE에 확장 칼만 필터와 입자 확장 칼만 필터를 적용하는 방법을 탐구한다.
이를 통해 기존 SDE 시스템을 적합시키고 원래의 SDE를 추적할 수 있다. 이는 SDE에 대한 더 많은 정보를 제공하고 데이터 기반 SDE 모델의 매개변수에 통합될 수 있다.
기술 시뮬레이션 검토:
신경망 모델은 SDE 데이터를 적절히 적합시키지 못하고 계산 비용이 많이 든다.
따라서 칼만 필터링과 같은 수학적 접근법을 탐구한다.
최대 우도 추정(MLE) 프레임워크:
MLE는 SDE 매개변수 추정을 위한 역문제 접근법이다.
이산 시간 관측 데이터에 대한 우도 함수를 정의하고 최대화한다.
이토 확산 프로세스의 조건부 밀도를 계산하는 방법을 설명한다.
마진 우도는 칼만 필터에서 중요한 개념이다.
칼만 필터 프레임워크:
칼만 필터는 실시간 측정을 사용하여 상태 추정을 수정하는 기술이다.
선형 칼만 회귀, 확장 칼만 필터, 입자 확장 칼만 필터에 대해 설명한다.
SDE 시뮬레이션 결과:
오르슈타인-우들렌벡 프로세스, 점프가 있는 오르슈타인-우들렌벡 프로세스, 헤스턴 모델, 베이츠 모델에 대해 MLE와 칼만 필터링 접근법을 적용한다.
각 모델에 대한 매개변수 추정 결과와 추적 성능을 보여준다.
칼만 필터링 접근법은 MLE에 비해 계산 비용이 낮지만 매개변수 추정 정확도는 유사하다.
Stats
오르슈타인-우들렌벡 프로세스의 원래 매개변수: θ = 1, μ = 2, σ = 3
오르슈타인-우들렌벡 프로세스의 추정 매개변수: θ = 1.006, μ = 2.065, σ = 3.187
점프가 있는 오르슈타인-우들렌벡 프로세스의 원래 매개변수: θ = 1, μ = 2, σ = 4, λj = 0.5, μj = 1, σj = 1
점프가 있는 오르슈타인-우들렌벡 프로세스의 추정 매개변수: θ = 0.7858, μ = 6.0, σ = 4.844, λj = 0.5525, μj = 1.496, σj = 1.0
헤스턴 모델의 원래 매개변수: μ = 0.05, θ = 1.5, ρ = 0.04, κ = 0.3, ξ = -0.6
헤스턴 모델의 추정 매개변수: μ = 1, θ = 2, ρ = 0, κ = 0.5, ξ = -1
베이츠 모델의 원래 매개변수: μ = 0.05, θ = 1.5, ρ = 0.04, κ = 0.3, ξ = -0.6, λ = 10, j = 0.1
베이츠 모델의 추정 매개변수: μ = 1, θ = 2, ρ = 0, κ = 0.5, ξ = -1, λ = 6, j = 0.1
Quotes
"스토캐스틱 미분 방정식(SDE)은 실세계 동적 시스템을 모델링하는 데 유용하지만, SDE의 매개변수, 경계 조건 및 폐쇄형 솔루션을 얻는 것은 어려울 수 있다."
"칼만 필터링 이론은 SDE의 복잡성을 이해하고 관리하는 데 중요한 접근법을 제공한다."
"확장 칼만 필터와 입자 확장 칼만 필터를 통해 기존 SDE 시스템을 적합시키고 원래의 SDE를 추적할 수 있다."