Hidden Markov Model dan Regime Switching

Berbeda dari tren laten kontinu, state HMM mengambil satu label dari sejumlah label terbatas pada setiap tanggal

Sifat Markov menyatakan distribusi state berikutnya bergantung pada state saat ini, bukan seluruh masa lalu setelah state saat ini diketahui

Label seperti bull, bear, tenang, atau krisis adalah interpretasi yang diterapkan setelah estimasi. Model itu sendiri mengidentifikasi distribusi dan transisi, bukan nama ekonomi

Matriks transisi memberikan setiap probabilitas berpindah dari state hari ini ke state besok. Setiap baris harus berjumlah satu

Probabilitas diagonal yang besar menciptakan rezim persisten. Dalam HMM time-homogeneous standar, durasi state tersirat mengikuti distribusi geometrik

Jika durasi aktual memiliki bentuk yang berbeda atau probabilitas transisi bergantung pada kovariat, hidden semi-Markov atau model transisi yang berubah menurut waktu mungkin lebih sesuai

Distribusi emisi menentukan bagaimana return, ukuran volatilitas, spread, atau beberapa sinyal berperilaku bersyarat pada setiap state

Emisi Gaussian memang praktis tetapi dapat memecah ekor berat menjadi rezim volatilitas tinggi artifisial. Distribusi t yang bergantung pada state dapat menghasilkan cerita berbeda

Variabel harus tersedia pada tanggal yang dinyatakan dan diskalakan secara masuk akal. Emisi yang sangat tumpang tindih membuat rezim sulit dibedakan terlepas dari persistensinya

Forward filter memperbarui probabilitas ketika setiap observasi datang. Inilah objek yang relevan untuk keputusan live

Backward smoother menggunakan seluruh sampel untuk merevisi probabilitas masa lalu. Viterbi menemukan satu urutan gabungan yang paling mungkin, yang tidak harus sama dengan probabilitas marginal tertinggi pada setiap tanggal

Grafik bull–bear yang di-smooth dengan rapi dapat melebihkan kepastian real-time. Laporkan probabilitas filtered dan revisi berikutnya bersama label retrospektif

Metode likelihood seperti EM bergantian antara probabilitas state dan pembaruan parameter serta dapat berhenti di optimum lokal

Label state dapat bertukar tanpa mengubah likelihood, sehingga identifikasi berdasarkan mean atau volatilitas merupakan konvensi pelaporan

Lebih banyak state selalu menambah fleksibilitas dan dapat menciptakan rezim kecil di sekitar outlier. Kriteria informasi, kestabilan, interpretabilitas, dan prakiraan out-of-sample harus memandu pemilihan

Probabilitas krisis filtered 70% menyatakan ketidakpastian di bawah model yang dipasang. Probabilitas itu tidak membuktikan pasar secara objektif berada dalam state krisis

Prakiraan merata-ratakan outcome spesifik state menggunakan probabilitas rezim dan dinamika transisi. Klasifikasi keras membuang ketidakpastian dan dapat menciptakan turnover mendadak

Ambang yang dipilih setelah memeriksa return strategi menghasilkan data snooping. Aturan keputusan memerlukan biaya, jeda, dan protokol out-of-sample

Model Markov-switching dapat merepresentasikan mean return bull–bear, volatilitas rendah–tinggi, tekanan spread kredit, atau state pertumbuhan siklus bisnis

Satu matriks transisi mengasumsikan persistensi stabil. Perubahan kebijakan, struktur pasar, dan krisis dapat mengubah transisi atau parameter emisi secara permanen

Perubahan struktural dapat disalahartikan sebagai rezim berulang, sedangkan proses volatilitas kontinu dapat dipaksa ke dalam kotak arbitrer. Bandingkan alternatif yang lebih sederhana

Laporkan variabel, frekuensi, prapemrosesan, jumlah state, keluarga emisi, matriks transisi, inisialisasi, pencarian optimum lokal, dan ketidakpastian parameter

Tampilkan probabilitas filtered dan smoothed, durasi yang diharapkan, overlap state, skor prakiraan, revisi klasifikasi, dan sensitivitas terhadap endpoint sampel

Gunakan label rezim sebagai ringkasan singkat dari model probabilistik, bukan panggilan pasar yang sempurna dengan hindsight atau penjelasan kausal return