全文下載連結： http://tecdat.cn/?p=1557
最近我們被客戶要求撰寫關於隱馬爾可夫模型(HMM)的研究報告，包括一些圖形和統計輸出。
「了解不同的股市狀況，改變交易策略，對股市收益有很大的影響。弄清楚何時開始或何時止損，調整風險和資金管理技巧，都取決於股市的當前狀況 （ 點擊文末「閱讀原文」獲取完整代碼數據******** ） 。
有些策略在波瀾不驚的股市中表現良好，而有些策略可能適合強勁增長或長期下跌的情況。
在本文中，我們將通過使用一類強大的機器學習算法「隱馬爾科夫模型」（HMM）來探索如何識別不同的股市狀況。
▍隱馬爾科夫模型
馬爾科夫模型是一個機率過程，查看當前狀態來預測下一個狀態。一個簡單的例子就是看天氣。
假設我們有三種天氣情況：下雨、多雲、陽光明媚。如果今天下雨，馬爾科夫模型就會尋找每種不同天氣的機率。例如，明天可能會持續下雨的可能性較高，變得多雲的可能性略低，而會變得晴朗的幾率很小。
▍構建模型
基於以上背景， 然後我們可以用來找到不同的股市狀況優化我們的交易策略。我們使用2004年至今的上證指數（000001.ss）來構建模型。
首先，我們得到上證指數的收盤價數據，計算得到收益率數據，並建立HMM模型比較模型的預測結果。
繪製上證指數的收盤價和收益率數據，我們看到2004年和2017年期間股市的波動情況。
點擊標題查閱往期內容
R語言用隱馬爾可夫模型HMM進行股票預測
左右滑動查看更多
01
02
03
04
對收益率擬合了三狀態隱馬爾可夫模型之後， 繪製每個狀態的後驗機率：
2007 – 2009年間，由於次貸危機，股市出現了驚人的波動，迅速改變了不同狀態的後驗機率，可以看到2008年前後狀態2和狀態3的機率出現了很大的變化。
股市在2010年後變得平靜，因此狀態2和狀態3的機率處於平衡狀態。
基於以上判斷，我們將三種不同的狀態進行定義。狀態1認為是震盪市場，狀態2認為是下跌市場，狀態3認為是上漲市場。然後將不同狀態的預測結果返回到真實的上證指數來觀察是否符合客觀邏輯。
通過真實數據擬合，我們看到狀態1（紫色）震盪市場，狀態2（綠色）下跌市場，狀態3（紅色）上漲市場符合實際的情況。
通過隱馬爾科夫模型，可以深入了解不斷變化的股市狀況。從而提高交易策略的性能。就從我們的簡單探索來看，這個模型應當是值得花一些時間去打磨的。可改進的地方非常多。例如可以引入多因子分析，建立多元模型等。
本文摘選 《 用機器學習識別不斷變化的股市狀況—隱馬爾可夫模型(HMM)股票指數預測實戰 》 ，點擊「閱讀原文」獲取全文完整資料。
點擊標題查閱往期內容
馬爾可夫Markov區制轉移模型分析基金利率
馬爾可夫區制轉移模型Markov regime switching
時變馬爾可夫區制轉換MRS自回歸模型分析經濟時間序列
馬爾可夫轉換模型研究交通傷亡人數事故時間序列預測
如何實現馬爾可夫鏈蒙特卡羅MCMC模型、Metropolis算法？
Matlab用BUGS馬爾可夫區制轉換Markov switching隨機波動率模型、序列蒙特卡羅SMC、M H採樣分析時間序列
R語言BUGS序列蒙特卡羅SMC、馬爾可夫轉換隨機波動率SV模型、粒子濾波、Metropolis Hasting採樣時間序列分析
matlab用馬爾可夫鏈蒙特卡羅 (MCMC) 的Logistic邏輯回歸模型分析汽車實驗數據
stata馬爾可夫Markov區制轉移模型分析基金利率
PYTHON用時變馬爾可夫區制轉換（MRS）自回歸模型分析經濟時間序列
R語言使用馬爾可夫鏈對營銷中的渠道歸因建模
matlab實現MCMC的馬爾可夫轉換ARMA - GARCH模型估計
R語言隱馬爾可夫模型HMM識別不斷變化的股票市場條件
R語言中的隱馬爾可夫HMM模型實例
用機器學習識別不斷變化的股市狀況—隱馬爾科夫模型(HMM)
Matlab馬爾可夫鏈蒙特卡羅法（MCMC）估計隨機波動率（SV，Stochastic Volatility） 模型
MATLAB中的馬爾可夫區制轉移(Markov regime switching)模型
Matlab馬爾可夫區制轉換動態回歸模型估計GDP增長率
R語言馬爾可夫區制轉移模型Markov regime switching
stata馬爾可夫Markov區制轉移模型分析基金利率
R語言如何做馬爾可夫轉換模型markov switching model
R語言隱馬爾可夫模型HMM識別股市變化分析報告
R語言中實現馬爾可夫鏈蒙特卡羅MCMC模型