Modèles de Markov cachés et changement de régime
Comprenez les régimes cachés, les matrices de transition, les distributions d'émission, le filtrage, le lissage, le décodage des états et les limites de la classification des marchés haussiers et baissiers
Réponse directe
Un modèle de Markov caché suppose que les observations sont générées par un état discret non observé qui évolue selon une matrice de transition de Markov. Chaque régime possède sa propre distribution d'émission, par exemple une moyenne et une volatilité des rendements. Le filtrage estime la probabilité du régime actuel à partir des données disponibles maintenant ; le lissage révise les probabilités historiques avec les observations futures ; le décodage de Viterbi sélectionne la trajectoire d'état la plus probable. Les régimes sont des étiquettes du modèle plutôt que des faits de marché directement observés, et leur utilité dépend du choix des émissions, de la persistance, du nombre d'états, de la stabilité structurelle et des performances en temps réel.
Un régime est un état latent discret
Contrairement à une tendance latente continue, un état HMM prend, à chaque date, une étiquette parmi un ensemble fini.
La propriété de Markov signifie que la distribution de l'état suivant dépend de l'état actuel, et non de tout le passé une fois l'état actuel connu.
Les étiquettes comme haussier, baissier, calme ou crise sont des interprétations appliquées après l'estimation. Le modèle identifie lui-même des distributions et des transitions, pas des noms économiques.
Les transitions déterminent la persistance
La matrice de transition donne la probabilité de passer de l'état d'aujourd'hui à celui de demain. Chaque ligne doit avoir une somme égale à un.
De grandes probabilités diagonales créent des régimes persistants. Dans un HMM standard homogène dans le temps, la durée implicite d'un état suit une loi géométrique.
Si les durées réelles ont des formes différentes ou si les probabilités de transition dépendent de covariables, un modèle semi-markovien caché ou un modèle à transition variable dans le temps peut mieux convenir à la question.
Les émissions relient les états aux observations
La distribution d'émission précise comment les rendements, les mesures de volatilité, les spreads ou plusieurs signaux se comportent conditionnellement à chaque état.
Les émissions gaussiennes sont pratiques, mais elles peuvent diviser des queues épaisses en régimes artificiels de forte volatilité. Des distributions t dépendant de l'état peuvent raconter une histoire différente.
Les variables doivent être disponibles à la date indiquée et mises à l'échelle de manière cohérente. Des émissions très similaires rendent les régimes difficiles à distinguer, quelle que soit leur persistance.
Le filtrage, le lissage et le décodage sont différents
Le filtre avant met à jour les probabilités à mesure que chaque observation arrive. C'est l'objet pertinent pour les décisions prises en direct.
Le lisseur arrière utilise l'ensemble de l'échantillon pour réviser les probabilités passées. Viterbi trouve une séquence jointe la plus probable, qui ne correspond pas nécessairement à la probabilité marginale la plus élevée de chaque date.
Un graphique haussier-baissier lissé et net peut surestimer la certitude disponible en temps réel. Présentez les probabilités filtrées et les révisions ultérieures à côté des étiquettes rétrospectives.
L'estimation ne fixe pas le nombre d'états
Les méthodes de vraisemblance telles que l'EM alternent entre les probabilités d'état et les mises à jour des paramètres, et peuvent converger vers des optima locaux.
Les étiquettes d'état peuvent être permutées sans modifier la vraisemblance ; les identifier par leur moyenne ou leur volatilité est donc une convention de présentation.
Ajouter des états apporte toujours de la flexibilité et peut créer de petits régimes autour des valeurs aberrantes. Les critères d'information, la stabilité, l'interprétabilité et les prévisions hors échantillon doivent guider la sélection.
La probabilité d'un régime n'est pas une déclaration
Une probabilité filtrée de crise de 70 % exprime une incertitude dans le cadre d'un modèle ajusté. Elle ne prouve pas que le marché se trouve objectivement dans un état de crise.
Les prévisions moyennent les résultats propres aux états en utilisant les probabilités de régime et la dynamique de transition. Une classification stricte élimine l'incertitude et peut créer une rotation brutale.
Des seuils choisis après examen des rendements d'une stratégie produisent un biais de sélection des données. Les règles de décision ont besoin de coûts, de délais et d'un protocole hors échantillon.
Les régimes financiers peuvent se déplacer ou disparaître
Les modèles à changement de régime de Markov peuvent représenter des moyennes de rendement haussières-baissières, une volatilité faible-élevée, un stress des spreads de crédit ou des états de croissance du cycle économique.
Une seule matrice de transition suppose une persistance stable. Les changements de politique, la structure du marché et les crises peuvent modifier durablement les transitions ou les paramètres d'émission.
Une rupture structurelle peut être prise pour des régimes répétés, tandis qu'un processus de volatilité continu peut être forcé dans des cases arbitraires. Comparez des solutions plus simples.
Rendez les éléments du régime auditables
Présentez les variables, la fréquence, le prétraitement, le nombre d'états, la famille d'émission, la matrice de transition, l'initialisation, les recherches d'optima locaux et l'incertitude des paramètres.
Montrez les probabilités filtrées et lissées, les durées attendues, le chevauchement des états, les scores de prévision, les révisions de classification et la sensibilité aux extrémités de l'échantillon.
Utilisez les étiquettes de régime comme des résumés concis d'un modèle probabiliste, et non comme des appels de marché parfaits avec le recul ou des explications causales des rendements.
Questions fréquentes
Un HMM découvre-t-il les vrais marchés haussiers et baissiers ?
Non. Il estime des états distributionnels latents que les analystes peuvent interpréter comme des régimes si les éléments disponibles justifient ces étiquettes.
Pourquoi les régimes lissés peuvent-ils sembler meilleurs que les signaux en direct ?
Le lissage utilise les observations postérieures à chaque date et permet des révisions rétrospectives indisponibles pour une stratégie en temps réel.
Combien d'états cachés dois-je utiliser ?
Il n'existe pas de nombre universel. Comparez la stabilité, l'ajustement, l'interprétabilité, la taille des états rares et les performances hors échantillon.
Que m'indique une probabilité de transition ?
Elle donne la probabilité modélisée de l'état suivant conditionnellement à l'état actuel, et les valeurs diagonales gouvernent la persistance.