SARIMAX：增量Kalman-fi

Question

您能告诉我是否可以使用当前的statsmodels SARIMAX代码来逐步应用Kalman滤波器（以使其更快）？在

这就是我的意思。想象一下，我们使用索引在[iFitBegin, iFitEnd]中的数据来拟合一个SARIMAX模型（#1），然后使用这样的模型来预测索引在[iFitEnd+1, iDataEnd]中的数据。在当前的代码中，似乎要做到这一点，必须使用索引在[iFitBegin, iDataEnd]中的数据创建一个新的SARIMAX模型（#2），并在模型2上应用Kalman滤波器，参数取自模型1。在这之后，你可以请求模型2的预测。然而，如果在流数据上进行预测（对于大型模型），则由于每次都必须从iFitBegin到索引iPred（需要预测的索引）iPred进行预测，因此在计算上（对于大型模型）是非常昂贵的。从数学上讲，Kalman滤波器是增量应用的，即如果Kalman滤波达到索引iPred，那么要对索引iPred+1进行滤波，只需在iPred处取一个新的数据点应用Kalman滤波的一个步骤，因此，如果可以在代码中增量地执行，那就太好了也。在

你能告诉我在当前的statsmodels SARIMAX实现中是否有一种方法可以进行这种增量Kalman滤波（即一次更新一个状态）？在

Answer 1

现在可以在Statsmodels的开发版本（即Github的主分支）中使用，并将在0.11版本中提供（不过，该版本还没有时间表）。在

基本上，您将能够执行以下操作：

training_mod = sm.tsa.SARIMAX(training_endog, order=(1, 0, 0))
training_res = training_mod.fit()

# The `extend` call will only apply the Kalman filter to the
# updated_endog
extended_res = training_res.extend(updated_endog)
fcasts = extended_res.forecast()

请注意，这将不会重新估计参数，但它允许您扩展当前结果以适应更新的观测值集，而不必在training_endog样本上重新运行Kalman滤波器。在

有关其他详细信息，请参见https://www.statsmodels.org/devel/examples/notebooks/generated/statespace_forecasting.html。在