Python中多变量Kalman Filter预测股票收盘价报错排查

尝试用Open、Low、High、Volume、Close五个变量作为输入，通过卡尔曼滤波器预测股票收盘价（Close），但运行代码时出现错误：The shape of all parameters is not consistent. Please re-check their values.。需求明确：不需要基于每个变量生成五个预测值，而是基于全部五个变量得到一个收盘价预测值。

原代码 #

import numpy as np
import yfinance as yf
from pykalman import KalmanFilter

spy_data = yf.download('SPY', start='2010-01-01', end='2023-03-17')

price = spy_data['Close'].values.reshape(-1, 1)
open_price = spy_data['Open'].values.reshape(-1, 1)
low_price = spy_data['Low'].values.reshape(-1, 1)
high_price = spy_data['High'].values.reshape(-1, 1)
volume = spy_data['Volume'].values.reshape(-1, 1)

initial_state = np.zeros(5)
initial_covariance = np.diag([100, 100, 100, 100, 100])
transition_matrix = np.array([[1, 0, 0, 0, 0], 
                              [0, 1, 0, 0, 0],
                              [0, 0, 1, 0, 0],
                              [0, 0, 0, 1, 0],
                              [0, 0, 0, 0, 1]])
observation_matrix = np.array([[1, 0, 0, 0, 0], 
                               [0, 0, 0, 0, 0],
                               [0, 0, 0, 0, 0],
                               [0, 0, 0, 0, 0],
                               [0, 0, 0, 0, 0]])

process_noise = np.diag([0.001, 0.001, 0.001, 0.001, 0.001])
observation_noise = np.diag([0.1])

kf = KalmanFilter(
    initial_state_mean=initial_state,
    initial_state_covariance=initial_covariance,
    transition_matrices=transition_matrix,
    observation_matrices=observation_matrix,
    observation_covariance=observation_noise,
    transition_covariance=process_noise)

state_means, state_covariances = kf.filter(np.hstack([price, open_price, low_price, high_price, volume]))

# Predict next day's closing price
last_state_mean = state_means[-1]
last_state_covariance = state_covariances[-1]

next_state_mean, next_state_covariance = kf.filter_update(
last_state_mean, last_state_covariance, observation= np.array([spy_data['Adj Close'][-1], spy_data['Open'][-1], spy_data['Low'][-1], spy_data['High'][-1], spy_data['Volume'][-1]])
)
predicted_price = next_state_mean[0]


print(f"Today's SPY closing price: {price[-1][0]}")
print(f"Predicted SPY closing price for tomorrow: {predicted_price}")

错误原因 #

核心问题是卡尔曼滤波器的参数维度不匹配：

1. 你将状态设为5维（对应5个输入变量），但观测矩阵设计为仅提取第一个状态，同时观测噪声是1维，和输入的5维观测数据（每次输入Close、Open、Low、High、Volume五个值）不匹配。
2. 你的需求是用5个特征预测单一收盘价，状态维度应该设为1维（对应收盘价的估计值），而非5维。

修正方案及代码 #

调整参数维度，让状态、观测矩阵、观测噪声和输入数据维度一致，同时符合“用多特征预测单一收盘价”的需求：

import numpy as np
import yfinance as yf
from pykalman import KalmanFilter

spy_data = yf.download('SPY', start='2010-01-01', end='2023-03-17')

# 整理5维观测数据：Close, Open, Low, High, Volume
observations = spy_data[['Close', 'Open', 'Low', 'High', 'Volume']].values

# 状态设为1维：对应我们要估计的收盘价
initial_state_mean = np.array([spy_data['Close'].iloc[0]])  # 用第一个收盘价初始化
initial_state_covariance = np.array([[100]])  # 1x1协方差矩阵

# 转移矩阵：假设下一个状态等于当前状态（随机游走模型）
transition_matrix = np.array([[1]])
# 过程噪声：状态转移的噪声
transition_covariance = np.array([[0.001]])

# 观测矩阵：5x1矩阵，每个元素对应一个特征与状态的关联系数（初始可设为1，后续可迭代优化）
observation_matrix = np.array([[1], [1], [1], [1], [1]])
# 观测噪声：5x5对角矩阵，对应5个观测变量的噪声
observation_covariance = np.diag([0.1, 0.1, 0.1, 0.1, 100000])  # Volume噪声设大一点，因为数值范围大

# 初始化卡尔曼滤波器
kf = KalmanFilter(
    initial_state_mean=initial_state_mean,
    initial_state_covariance=initial_state_covariance,
    transition_matrices=transition_matrix,
    observation_matrices=observation_matrix,
    observation_covariance=observation_covariance,
    transition_covariance=transition_covariance
)

# 滤波得到每个时刻的状态估计
state_means, state_covariances = kf.filter(observations)

# 预测次日收盘价：基于最后一个状态进行一步预测（无需新观测）
next_state_mean, next_state_covariance = kf.predict(
    state_means[-1], state_covariances[-1]
)
predicted_price = next_state_mean[0]

print(f"今日SPY收盘价: {spy_data['Close'].iloc[-1]}")
print(f"预测明日SPY收盘价: {predicted_price:.2f}")

关键修改说明 #

• 状态维度改为1维，对应要预测的收盘价，符合“单一预测值”的需求。
• 观测矩阵设为5x1，将1维状态映射到5维观测数据，匹配输入的特征数量。
• 观测噪声调整为5x5对角矩阵，对应每个输入特征的噪声水平（Volume数值大，噪声系数设得更高）。
• 使用predict方法直接基于最后状态预测下一个时刻的收盘价，无需额外输入观测数据（若有新观测可改用filter_update）。

内容的提问来源于stack exchange，提问作者dataman