statsmodels卡尔曼滤波预测步未使用state_cov参数问题咨询

1. 核心BUG：super调用类名错误 #

你代码中update方法的第一行传入了错误的类名作为super的第一个参数：

# 错误写法
params = super(dynamic_nelson_siegel, self).update(params, **kwargs)

你自定义的类名称是affine_term_structure，传入不匹配的类名会导致父类MLEModel的update逻辑没有被正确触发，你后续对state_cov等状态空间矩阵的赋值无法同步到卡尔曼滤波的计算链路中，因此预测步的协方差计算没有加上状态噪声项。
修复方案：将该行替换为正确的类名：

# 正确写法
params = super(affine_term_structure, self).update(params, **kwargs)

2. 其他遗漏配置检查 #

• 你在__init__方法中接收了tau参数，但没有将其赋值为实例属性，update方法中调用self.tau会触发属性不存在错误，需要在__init__中补充赋值：

  def __init__(self, yields, tau, k_states=3, **kwargs):
      super(affine_term_structure, self).__init__(yields, k_states=k_states, **kwargs)
      self.tau = tau  # 补充这行
      self.initialize_known(np.zeros(self.k_states), np.eye(self.k_states) * 10000)
  

• 确认你已经实现了nss方法，否则update中调用self.nss会报错。

3. 验证方法 #

修复后你可以在update方法末尾添加打印逻辑，确认state_cov赋值生效：

print("赋值的state_cov：", self['state_cov'])

再重新运行滤波，对比predicted_state_cov的计算结果，此时应该符合你预期的transition @ filtered_cov @ transition.T + state_cov的公式。

内容的提问来源于stack exchange，提问作者raghav