Verborgen Markov Modellen en Regime Switching

In tegenstelling tot een continue latente trend, neemt een HMM-toestand op elke datum een van een eindige set labels.

De Markov-eigendom zegt dat de verdeling van de volgende staat afhankelijk is van de huidige staat, niet het hele verleden zodra de huidige staat bekend is.

Labels zoals stier, beer, kalm, of crisis zijn interpretaties toegepast na schatting. Het model zelf identificeert distributies en overgangen, niet economische namen.

De overgangsmatrix geeft elke kans om van de huidige staat naar de staat van morgen te verhuizen. Elke rij moet optellen naar één.

Grote diagonale waarschijnlijkheden creëren aanhoudende regimes. In een standaard tijd-gehomogeneerde HMM, impliciete staat duur volgt een geometrische verdeling.

Als de werkelijke duur verschillende vormen of transitie waarschijnlijkheden afhankelijk zijn van covarianten, een verborgen semi-Markov of tijd-variating transitie model kan beter passen bij de vraag.

De emissieverdeling specificeert hoe rendementen, volatiliteitsmetingen, spreads of meerdere signalen zich gedragen afhankelijk van elke staat.

Gaussiaanse emissies zijn handig maar kunnen zware staarten splitsen in kunstmatige hoge-volatility regimes. State-afhankelijke t distributies kunnen een ander verhaal vertellen.

De variabele moet op de aangegeven datum beschikbaar zijn en verstandig worden geschaald.

Het vooruit filter update waarschijnlijkheden als elke observatie aankomt. Het is het relevante object voor live beslissingen.

De achteruit-smoother gebruikt het volledige monster om de waarschijnlijkheden in het verleden te herzien. Viterbi vindt één gewricht meest waarschijnlijke volgorde, die niet hoeft te overeenkomen met de hoogste marginale waarschijnlijkheid van elke datum.

Een schone gladde stier beer grafiek kan overstate real-time zekerheid. Rapport gefilterde waarschijnlijkheden en daaropvolgende herzieningen naast retrospectieve labels.

Waarschijnlijkheidsmethoden zoals EM wisselen af tussen staat waarschijnlijkheden en parameter updates en kunnen samenkomen naar lokale optima.

Staatsetiketten kunnen zonder verandering van de waarschijnlijkheid doortrekken, dus het identificeren ervan door middel van een gemiddelde of volatiliteit is een rapportageverdrag.

Meer staten voegen altijd flexibiliteit toe en kunnen kleine regimes creëren rond uitschieters. Informatiecriteria, stabiliteit, interpreteerbaarheid en buitensteeksteekproefprognoses moeten de keuze sturen.

Een gefilterde crisiskans van 70% geeft aanleiding tot onzekerheid onder een passend model, maar bewijst niet dat de markt objectief in een crisistoestand verkeert.

Voorspelt gemiddelde state-specifieke resultaten met behulp van regime waarschijnlijkheden en transitie dynamiek. Harde classificatie gooit onzekerheid en kan abrupte omzet.

Drempels die na inspectie van strategieaangiften zijn gekozen, leiden tot gegevenssnooping. De besluitvormingsregels vereisen kosten, vertragingen en een buiten de steekproef-protocol.

Markov-switching modellen kunnen bull .bear rendement betekenen, lage . hoge volatiliteit, kredietspreiding stress, of business-cycle groei staten.

Eén overgangsmatrix veronderstelt stabiele persistentie. Beleidsveranderingen, marktstructuur en crises kunnen overgangen of emissieparameters permanent veranderen.

Een structurele breuk kan worden verward met herhaalde regimes, terwijl een continue volatiliteit proces kan worden gedwongen in willekeurige dozen. Vergelijk eenvoudiger alternatieven.

Rapport variabelen, frequentie, voorbewerking, staat, emissie familie, transitie matrix, initialisatie, lokaal-optimale zoekopdrachten, en parameter onzekerheid.

Toon gefilterde en gladde waarschijnlijkheden, verwachte duur, staat overlappen, prognosescores, classificatie herzieningen, en gevoeligheid voor monstereindpunten.

Gebruik regimelabels als beknopte samenvattingen van een probabilistisch model, niet als achteraf-perfecte marktoproepen of causale verklaringen voor rendementen.