卡尔曼滤波交易：这个指标如何运作，什么时候真正有用

卡尔曼滤波指标常被包装成“零滞后”均线来卖。但只要把数学算一遍，就会看到完全不同的结论：常见的一维版本最终会收敛成一条普通 EMA，而它的周期完全可以由两个输入参数算出来。这篇 Quantum Algo 指南会演示这个计算过程，手算五根K线，解释真正更低的滞后从何而来（速度状态、自适应噪声），并介绍卡尔曼滤波公开记录最好的应用场景：配对交易中随时间变化的对冲比率。文中还附有一个计算器，你可以用自己的价格数据来验证。

真实图表上的 Zeno×

◆ 真实图表 · Zeno 用于黄金、Bitcoin 和 NAS1001 / 3

◆ 真实图表 · XAUUSD · 15M · Quantum Algo Zeno Gold

◆ 真实图表 · BTCUSDT 永续合约 · 2H · Quantum Algo Zeno + Tidal Force

◆ 真实图表 · NAS100 CFD · 4H · Quantum Algo Zeno + Tidal Force

‹

›

滑动或使用箭头 · 3 张真实图表

每一次 Zeno 喊单都记录在公开实盘记录中。查看 Zeno 方案

为什么交易者要在价格图上加卡尔曼滤波

每一笔成交价都混合了两样东西：市场“真正”所在的位置，以及来自订单簿、点差和急躁交易者的噪声。均线试图通过对固定窗口取平均来把两者分开。卡尔曼滤波的做法不同：它持续维护一个对真实水平的最佳估计，同时记录这个估计有多不确定；每当新K线到来，它就判断该更相信这根K线，还是更相信自己的估计。

整个技巧就在于这个判断。如果滤波器对自己没把握、而价格比较干净，它就会紧跟价格；如果它很有把握、而价格噪声很大，它几乎不动。它分配给每根新K线的权重叫作卡尔曼增益，而且每根K线都会重新计算一次。

这种方法源自工程领域，而不是金融市场。鲁道夫·卡尔曼于 1960 年在《Journal of Basic Engineering》上发表了《A New Approach to Linear Filtering and Prediction Problems》，随后 NASA Ames 研究中心 Stanley Schmidt 团队的早期实现被用进了阿波罗导航计算机。交易者借用它来做三件事：

• A smoothed trend line that you read like a moving average.
• A trend-plus-slope estimate that projects momentum forward to cut lag.
• A time-varying hedge ratio for pairs and spread trading, which is where it has the strongest track record in published quant work.

大多数文章讲到“它会自适应，所以更好”就停了。真正有用的结论要具体得多，而这要从公式讲起。

卡尔曼滤波公式，逐行拆解

◆ 图表 · 卡尔曼滤波

在价格平滑中，交易者几乎总是使用最简单的版本：只有一个隐藏状态（真实价格水平），并假设它像随机游走一样漂移。统计学家把它称为局部水平模型。每根K线都要经历两个阶段：预测和更新。

慢慢读一遍更新公式：新估计值 = 旧估计值 + K × 意外偏差。这和指数移动均线的形式完全一样，EMA 加上的是 α × 意外偏差。唯一的区别是：EMA 的 α 由你固定设定，而 K 是根据 P、Q 和 R 计算出来的。

通用的卡尔曼滤波使用矩阵（状态转移矩阵 F、观测矩阵 H，以及 Q 和 R 的协方差矩阵），因此可以同时追踪多个隐藏值。上面的一维版本只是其中一个特例：所有量都只是一个数。

Q 和 R 如何在平滑度与灵敏度之间取舍

下面这个事实，大多数卡尔曼指标页面都避而不谈：在一维模型中，增益经过几十根K线后就会稳定在一个固定值，而这个值只取决于比值 q = Q ÷ R。把两者同时放大十倍，结果毫无变化。

一旦 K 稳定下来，这个滤波器在数学上就与 α = K∞ 的 EMA 完全等价。教科书《Forecasting: Principles and Practice》从另一个方向给出了同样的联系：简单指数平滑可以写成一个新息状态空间模型，其状态方程为 level(t) = level(t−1) + α × error。

这张表是本指南中最实用的内容。TradingView 上一个使用很广的开源卡尔曼脚本默认 Q = 0.01、R = 0.1，比值为 0.1。进入稳态后，这条线的加权方式大约相当于一条 6 周期 EMA。知道了这一点，你就不必再猜某个参数到底有什么效果，而是可以把它对应到一条你早已熟悉的均线上。

手算一个五根K线的卡尔曼滤波

我们用六个收盘价来运行这个滤波器：100.00、101.20、100.60、102.10、103.00、102.40。参数设置：Q = 0.1，R = 1，初始估计值 x = 100.00（第一个收盘价），初始方差 P = 1。

第 1 根K线完整计算

1. 预测：x⁻ = 100.00，P⁻ = 1 + 0.1 = 1.1。
2. 增益：K = 1.1 ÷ (1.1 + 1) = 0.5238。
3. 意外偏差：101.20 − 100.00 = 1.20。
4. 更新：x = 100.00 + 0.5238 × 1.20 = 100.6286。
5. 新的方差：P = (1 − 0.5238) × 1.1 = 0.5238。

这些数字说明了什么

增益每根K线都在下降：0.52、0.38、0.33、0.30、0.29，正朝着上表中的稳态值 0.270 靠拢。在增益较高的阶段，滤波器追价比它的稳态 EMA 更积极。同样的数据，用 α 固定为 0.270 的 EMA 计算，第 5 根K线收在 101.697；卡尔曼线则收在 101.877，更贴近价格，而这完全是预热阶段造成的。

接下来是一个让人不太舒服的对比。一条以 100 为初始值的普通 5 周期 EMA（α = 0.333）在第 5 根K线收在 101.916，比卡尔曼线还要贴近价格。所以“卡尔曼比 EMA 更快”这种说法，完全取决于你拿哪条 EMA、用哪组 Q/R 来比较。把这些收盘价粘贴到下方的计算器里，就能逐一核对每个数字。

如何为你的市场和周期选择 Q 和 R

第一次读卡尔曼代码的人，大多会对这一点感到意外：在经典线性滤波器中，增益序列根本不看价格。P、P⁻ 和 K 只取决于 Q、R 和初始 P。你甚至可以在图表加载之前就把每一根K线的增益算出来。价格只通过意外偏差这一项进入计算。这就是为什么决定行为的是 Q ÷ R 这个比值，而不是交易品种；也是为什么一个 Q 和 R 固定的脚本，在比特币上和在 EUR/USD 上的表现完全一样。

初始方差 P 在最初几十根K线里确实有影响。相对 R 偏大的 P 会让这条线一开始就跳到价格附近；极小的 P 则会让它慢慢爬。把初始估计值设为第一个收盘价、并让 P 等于 R，是一个中性的选择。

这是起点，不是神奇参数

下面是一组合理的初始设置，以 q = Q ÷ R 表示，选取依据是交易者在各个周期上常用的均线长度。它们只是测试的起点，并不是经过优化的数值。

用数据估计 Q 和 R

如果你想要比“对齐某条 EMA”更有理论依据的方法，可以直接估计这两种噪声。R 是价格围绕其底层水平的方差：取一条平滑的参考线，逐根计算收盘价减去参考线的差值，再求这组残差的方差。Q 则是参考线本身逐根变化量的方差。在一个平静的交易周里，流动性好的股指期货通常会得出很小的 q；遇到新闻驱动的一周，它就会跳升。统计学家通常改用极大似然法来拟合这两个值，Python 和 R 里的状态空间工具就是这么做的，但残差法已经足以让你把数量级估对。

无论用哪种方法，波动率发生变化后都要重新检查。在平静行情中估计出的比值，正是一条上个月看起来完美的卡尔曼线、这个月却严重滞后的最常见原因。

卡尔曼滤波的滞后真的比 EMA 小吗？

◆ 图表 · 卡尔曼滤波

简短回答：一维水平滤波器在预热完成后并不会。它的滞后与它所收敛到的那条 EMA 完全一样。所谓“更低滞后”的说法来自另外三个来源，而每一种都有代价。

1. Warm-up and resets. A high starting P makes the early gain large, so the line snaps to price at the start of the chart. Some scripts inflate P after big moves to get the same effect mid-chart. That reduces lag right after shocks and increases noise right after shocks.
2. Adaptive Q and R. Scripts that scale R or Q with ATR or standard deviation change the gain with volatility. That is closer in spirit to Kaufman's adaptive moving average than to a classic Kalman filter, and it adds parameters you have to tune.
3. A velocity state. This is the real one. If the model tracks level and slope, the prediction step projects the trend forward, so the line keeps up in a steady trend. It also overshoots at turns, the same trade-off you see with the Hull moving average.

这些都不是免费的午餐。趋势中滞后更低，必然会在别处表现为更多的过冲和更多的来回打脸。卡尔曼框架给你的，是一种有理论依据的方式来设定这个取舍，外加一条不确定性带（来自 P），这是均线无法提供的。

双状态版本：水平 + 速度

恒速模型增加了第二个隐藏值：每根K线的斜率。预测步骤变成“下一个水平 = 水平 + 斜率；下一个斜率 = 斜率”。由于只有水平是可观测的，滤波器会根据价格不断带来的意外偏差来推断斜率。

实际使用中，它的表现像一条平滑过的线性外推，感觉上类似滚动的线性回归线，只是采用递归方式更新。斜率状态本身就很有用：把它画成振荡器，它就成了一条平滑的变化率曲线，趋势反转时会穿越零轴。

Eric Benhamou 在 2016 年的论文《Trend Without Hiccups: A Kalman Filter Approach》中，用一年的 E-mini S&P 500 日线数据，把几种此类模型与 DEMA 和 TEMA 做了比较。这些模型是在同一年的数据上调参的，没有做样本外测试，所以论文报告的收益只能当作演示，不能当作存在优势的证据。

配对交易中的卡尔曼对冲比率

卡尔曼滤波的名声正是在这里赢来的。在配对交易中，你按比率 β 持有一个资产、对冲另一个资产，使价差呈均值回归。用一次回归得出的固定 β 会逐渐失效；滚动回归又迫使你选择一个回看周期。卡尔曼方法把 β（以及截距）视为以随机游走方式漂移的隐藏状态，并在每根K线上更新它们。

Ernest Chan 在《Algorithmic Trading: Winning Strategies and Their Rationale》（Wiley，2013）一书中用 EWA 和 EWC 这两只国家 ETF 演示了这种方法，使其在散户量化圈流行起来。这个滤波器还会附带给你两样东西：预测误差 e(t)，也就是价差本身；以及它的方差，其平方根的作用类似于移动标准差。你可以像在价差上使用布林带那样交易它：当 e(t) 跌破 −k × √方差 时做多价差，当它升破 +k × √方差 时做空价差。

QuantStart 的系列文章把这种方法应用到了 TLT 和 IEI 两只美国国债 ETF 上。在其 QSTrader 回测中（日线数据，2009 年 8 月至 2016 年 8 月，阈值为一个标准差），文章报告的年复合增长率（CAGR）为 8.73%，夏普比率为 0.75，最大回撤为 15.79%，并明确说明未扣除交易成本，回撤持续时间长达 777 天。最后这个数字才是最诚实的：即便是教科书级别的配对滤波器，也可能两年都创不出新的资金曲线高点。关于逆势押注价差过度拉伸的更多逻辑，请参阅我们的均值回归交易指南。

在 TradingView 上设置卡尔曼滤波指标

TradingView 没有内置卡尔曼滤波，所以你需要用社区脚本。在指标对话框中搜索“Kalman”，会出现几十个结果：普通的水平滤波器、随 ATR 缩放的自适应版本、经卡尔曼平滑的 RSI 以及各种振荡器变体。添加之前，先在描述或源码中检查四件事：

1. Which model. One state (level) or two (level and velocity)? A one-state script will behave like an EMA once warmed up.
2. Which inputs. Separate Q and R, or a single "smoothness" input? If separate, compute q = Q ÷ R and look it up in the table above.
3. Adaptive scaling. If Q or R is multiplied by ATR or standard deviation, the line will change character between quiet and volatile sessions. Our ATR guide explains what that volatility input measures.
4. Repainting. A forward filter that only uses past bars does not repaint. A Kalman smoother (which runs backward over the data) does, and it will look magical on historical charts. Our guide to non-repainting indicators shows how to test this with bar replay.

一套实用的调参流程

1. 选一个你在该市场和周期上已经信任的 EMA 长度，比如 1 小时图上的 20。
2. 换算一下：α = 2 ÷ 21 = 0.095。这对应 q ≈ 0.01，所以先设 Q = 0.01、R = 1。
3. 把两条线叠加在一起。预热结束后，它们应该几乎重合。如果确实重合，说明这个脚本是水平滤波器，你也就知道了它的基准。
4. 在此之后再去尝试：自适应缩放、速度状态或不同的 q。每次只改一处，并以样本外K线来评判效果。

如果你还不熟悉脚本和输入参数，我们的TradingView 平台指南介绍了如何添加、保存指标以及把指标存为模板。

卡尔曼滤波 vs EMA、ALMA 和 McGinley Dynamic

这些工具都在回答同一个问题：这根K线上，线应该移动多少？只是它们用来回答的机制各不相同。

如果你想要一个同时告诉你噪声带有多宽的滤波器，卡尔曼胜出：P 免费给了你一个不确定性估计。如果你只想要一条线，ALMA 或一条选得好的 EMA 更容易理解和推敲。如果想看一种基于另一类平滑方法的通道型替代方案，请参阅高斯通道指南。

卡尔曼滤波在实盘中会在哪里失灵

• Regime changes. Q and R are guesses about how much the market moves and how noisy it is. A Q tuned on a quiet month will lag badly in a news-driven trend; one tuned on a trending month will whipsaw in a range. Checking whether the market is trending or mean-reverting first, for example with the Hurst exponent, tells you which regime you are tuning for.
• Overfitting. With adaptive multipliers, velocity noise, initial P and a signal threshold, a "simple" Kalman system easily has five or six free parameters. Optimize them on one sample and the backtest will look clean. Hold back at least a third of your data and test once.
• Fat tails. The filter assumes Gaussian noise. One gap or flash spike creates a huge surprise, and the line jumps by K times that surprise. Clip extreme surprises or filter on a steadier input such as the bar's median price.
• Broken pairs. In pairs trading, the filter will keep updating β even when the relationship has truly ended. It adapts to a broken spread instead of warning you. Pair it with a periodic cointegration check.
• The smoother trap. Backward-looking Kalman smoothers use future bars. Any backtest built on them is invalid.
• Crossover systems. Price crossing a Kalman line whipsaws exactly as much as price crossing the equivalent EMA. Changing the name of the average does not fix crossover noise; filters like a Supertrend band or a volatility buffer do.

使用卡尔曼线的三种合理方式

◆ 图表 · 卡尔曼滤波

1. Trend bias. Use a slow setting (q around 0.001 to 0.01) as a bias line. Above and rising, look for longs; below and falling, look for shorts. Same job as a 50-period average, with a P-based band to show how far price can stray before the bias is in doubt.
2. Slope oscillator. With the two-state model, plot the velocity state. Zero crosses mark trend flips with less noise than a raw momentum oscillator, similar in spirit to the MACD histogram.
3. Spread z-score. For pairs or for price vs its own Kalman line, divide the surprise by √P⁻ (or by the forecast-error standard deviation). That gives a self-scaling z-score for mean-reversion entries.

卡尔曼滤波也常作为预处理步骤出现在更复杂的模型中。如果你对这个方向感兴趣，我们的机器学习交易指标指南介绍了平滑后的输入如何喂给分类器。

卡尔曼滤波与 Quantum Algo

卡尔曼线很好地回答了“趋势朝哪个方向、噪声有多大”这个问题，但它不是一套入场系统。这种分工正好契合我们在 Quantum Algo 打造工具的思路：用较慢的卡尔曼设置作为方向过滤器，再让择时工具负责入场和风险。Zeno 的信号自带止损和目标位，因此由卡尔曼方向决定你只能做哪一边，再由 Zeno 决定何时入场、风险定在哪里。黄金上，Zeno Gold 可用于各个周期；指数 CFD 上，Zeno Stocks 覆盖 NAS100 和 SPX500。

如果你更想用免费开源的工具，Adaptive Trend Sentinel 是一条自适应趋势线，可以和卡尔曼脚本并排对比；Supertrend Engine 则加入了波动率缓冲，以减少交叉信号的来回打脸。QuantumAlgo 的所有免费脚本都在免费指标页面上，Academy 则从基本原理讲起趋势过滤器。