三种方法过滤市场噪声：McGinley、KAMA 与 Kalman 滤波器的 Python 实现

欢迎加入专注于财经数据与量化投研的【数据科学实战】知识星球！在这里，您将获取持续更新的《财经数据宝典》和《量化投研宝典》，这两部宝典相辅相成，为您在量化投研道路上提供明确指引。我们提供了精选的国内外量化投研的 250+ 篇高质量文章，并每日更新最新研究成果，涵盖策略开发、因子分析、风险管理等核心领域。无论您是量化投资新手还是经验丰富的研究者，星球社区都能帮您少走弯路，事半功倍，共同探索数据驱动的投资世界！

引言

金融市场天生充满噪声。每一笔交易、对冲、强制清算、套利和算法再平衡，最终都会压缩成一个叫做"价格"的数字。当我们把这个数字绘制在图表上时，它看起来很精确，但精确并不等于清晰。

如何从嘈杂的价格数据中提取有价值的信号？这正是平滑技术存在的意义。本文将介绍三种主流的自适应平滑方法：McGinley Dynamic（麦金利动态指标）、KAMA（考夫曼自适应移动平均线）和 Kalman Filter（卡尔曼滤波器），并通过 Python 代码带你逐一实现。

核心目标：降噪但不破坏结构

所有平滑技术的存在都是因为原始价格往往难以直接使用。它对所有信息都会做出反应，无论这些信息是否有意义。

"过滤"可以有不同的含义：

有时你想减少滞后
有时你想避免对震荡行情做出反应
有时你想要一个明确考虑不确定性的估计值

McGinley Dynamic 专注于响应速度，KAMA 专注于市场状态感知，Kalman 滤波专注于概率估计。

三种方法详解

McGinley Dynamic：修复滞后问题

McGinley Dynamic 的创建是为了解决传统移动平均线（特别是 EMA）的一个具体问题：固定的平滑参数会导致当价格加速时均线严重滞后，而当价格停滞时又会过度反应。

McGinley 的解决方案简单而实用：不以固定速率平滑价格，而是根据价格相对于均线本身的偏离程度来调整速度。

当价格远离均线时，McGinley 加速跟踪
当价格靠近均线时，McGinley 减速

KAMA：响应需要被"赚取"

KAMA（Kaufman Adaptive Moving Average，考夫曼自适应移动平均线）采用了更具选择性的方法。

KAMA 不是对价格与均线之间的距离做出反应，而是衡量价格移动的效率。它比较一段回溯期内的净方向性移动与总移动量。这个比率决定了均线适应的速度。

当价格持续朝一个方向移动且波动较小时，效率高，KAMA 变得更敏感
当价格来回震荡但没有明确方向时，效率下降，KAMA 大幅减慢

Kalman Filter：估计你无法直接观察的东西

Kalman 滤波与 McGinley 和 KAMA 有本质区别。它不是平滑价格，而是估计一个潜在状态。

核心假设是：观察到的价格是某个更深层次事物的嘈杂测量值。滤波器将对该状态的先验信念与新观察结合起来，根据不确定性对各自进行加权。

这引入了两个大多数指标忽略的概念：

过程噪声：反映状态演变的不确定性
测量噪声：反映观察结果的不确定性

Python 实现

环境准备

import numpy as np
import pandas as pd
import yfinance as yf
import matplotlib.pyplot as plt

McGinley Dynamic 实现

def mcginley_dynamic(price, period=14):
    """
    计算 McGinley Dynamic 指标
    
    参数：
        price: 价格序列（pandas Series）
        period: 周期参数，默认为 14
    
    返回：
        McGinley Dynamic 指标序列
    """
    md = np.zeros(len(price))
    md[0] = price.iloc[0]  # 初始值设为第一个价格
    
    for i in range(1, len(price)):
        # 根据价格偏离程度动态调整平滑速度
        md[i] = md[i-1] + (price.iloc[i] - md[i-1]) / (
            period * (price.iloc[i] / md[i-1])**4
        )
    
    return


    
 pd.Series(md, index=price.index)

KAMA 实现

def kama(price, er_period=10, fast=2, slow=30):
    """
    计算 KAMA（考夫曼自适应移动平均线）
    
    参数：
        price: 价格序列（pandas Series）
        er_period: 效率比率计算周期，默认为 10
        fast: 快速平滑常数周期，默认为 2
        slow: 慢速平滑常数周期，默认为 30
    
    返回：
        KAMA 指标序列
    """
    # 计算净价格变化（方向性移动）
    change = price.diff(er_period).abs()
    # 计算总波动（所有价格变化之和）
    volatility = price.diff().abs().rolling(er_period).sum()
    
    # 效率比率 = 净变化 / 总波动
    er = change / volatility
    er = er.fillna(0.0)
    
    # 计算平滑常数
    fast_sc = 2 / (fast + 1)  # 快速平滑常数
    slow_sc = 2 / (slow + 1)  # 慢速平滑常数
    
    # 根据效率比率在快慢平滑常数之间插值
    sc = (er * (fast_sc - slow_sc) + slow_sc) ** 2
    
    # 计算 KAMA
    kama_values = np.zeros(len(price))
    kama_values[0] = price.iloc[0]
    
    for i in range(1, len(price)):
        kama_values[i] = kama_values[i-1] + sc.iloc[i] * (price.iloc[i] - kama_values[i-1])
    
    return pd.Series(kama_values, index=price.index)

Kalman Filter 实现

def kalman_filter(price, q=1e-5, r=1e-2):
    """
    一维卡尔曼滤波器实现
    
    参数：
        price: 价格序列（pandas Series）
        q: 过程噪声方差，控制状态演变的不确定性
        r: 测量噪声方差，控制观察值的不确定性
    
    返回：
        滤波后的价格估计序列
    """
    x_hat = np.zeros(len(price))  # 状态估计
    p = np.zeros(len(price))       # 估计误差协方差
    
    # 初始化
    x_hat[0] = price.iloc[0]
    p[0] = 1.0
    
    for k in range(1, len(price)):
        # 预测步骤
        x_pred = x_hat[k-1]        # 状态预测
        p_pred = p[k-1] + q        


    
# 协方差预测
        
        # 更新步骤
        k_gain = p_pred / (p_pred + r)  # 卡尔曼增益
        x_hat[k] = x_pred + k_gain * (price.iloc[k] - x_pred)  # 状态更新
        p[k] = (1 - k_gain) * p_pred    # 协方差更新
    
    return pd.Series(x_hat, index=price.index)

传统均线对比

def sma(price, period=50):
    """简单移动平均线"""
    return price.rolling(period).mean()

def ema(price, period=20):
    """指数移动平均线"""
    return price.ewm(span=period, adjust=False).mean()

绑定绘图

# 下载苹果公司 2025 年的股票数据
data = yf.download("AAPL", start="2025-01-01", end="2025-12-31", progress=False)
price = data["Close"]

# 计算各种指标
md = mcginley_dynamic(price)
kama_line = kama(price)
kalman_line = kalman_filter(price)
sma_50 = sma(price, 50)
ema_20 = ema(price, 20)

# 绑制对比图
plt.figure(figsize=(15, 8))
plt.plot(price, label="价格", alpha=0.5)
plt.plot(sma_50, label="SMA 50", linestyle="--")
plt.plot(ema_20, label="EMA 20", linestyle=":")
plt.plot(md, label="McGinley Dynamic", linewidth=2)
plt.plot(kama_line, label="KAMA", linewidth=2)
plt.plot(kalman_line, label="Kalman Filter", linewidth=2)
plt.title("自适应滤波器 vs 传统移动平均线（AAPL 2025）")
plt.legend()
plt.show()