Mô hình Markov ẩn và chuyển đổi chế độ

Khác với xu hướng ẩn liên tục, trạng thái HMM nhận một nhãn trong một tập hữu hạn tại mỗi ngày

Tính Markov nói rằng phân phối của trạng thái tiếp theo phụ thuộc vào trạng thái hiện tại, không phụ thuộc toàn bộ quá khứ khi đã biết trạng thái hiện tại

Các nhãn như tăng, giảm, bình lặng hoặc khủng hoảng là cách diễn giải được áp dụng sau khi ước tính. Bản thân mô hình xác định các phân phối và chuyển tiếp, không xác định tên kinh tế

Ma trận chuyển tiếp cung cấp xác suất chuyển từ trạng thái hôm nay sang trạng thái ngày mai. Mỗi hàng phải có tổng bằng một

Xác suất đường chéo lớn tạo ra các chế độ dai dẳng. Trong HMM thuần nhất theo thời gian tiêu chuẩn, thời lượng trạng thái ngụ ý tuân theo phân phối hình học

Nếu thời lượng thực tế có hình dạng khác hoặc xác suất chuyển tiếp phụ thuộc vào các biến đồng biến, mô hình Markov ẩn bán Markov hoặc mô hình chuyển tiếp thay đổi theo thời gian có thể phù hợp với câu hỏi hơn

Phân phối phát xạ chỉ rõ lợi suất, thước đo biến động, chênh lệch hoặc nhiều tín hiệu hành xử thế nào có điều kiện theo mỗi trạng thái

Phát xạ Gaussian thuận tiện nhưng có thể tách các đuôi dày thành những chế độ biến động cao nhân tạo. Phân phối t phụ thuộc trạng thái có thể kể một câu chuyện khác

Các biến phải có sẵn tại ngày đã nêu và được co giãn hợp lý. Phát xạ chồng lấn nhiều khiến các chế độ khó phân biệt bất kể tính dai dẳng

Bộ lọc tiến cập nhật xác suất khi mỗi quan sát xuất hiện. Đây là đối tượng phù hợp cho quyết định trực tiếp

Bộ làm trơn lùi dùng toàn bộ mẫu để điều chỉnh xác suất trong quá khứ. Viterbi tìm một chuỗi có khả năng chung cao nhất, không nhất thiết trùng với trạng thái biên có xác suất cao nhất ở từng ngày

Một biểu đồ chế độ tăng–giảm đã làm trơn, gọn gàng có thể phóng đại mức chắc chắn theo thời gian thực. Hãy báo cáo xác suất đã lọc và các điều chỉnh sau đó bên cạnh các nhãn nhìn lại

Các phương pháp khả năng như EM luân phiên giữa xác suất trạng thái và cập nhật tham số, đồng thời có thể hội tụ đến các cực trị cục bộ

Nhãn trạng thái có thể hoán vị mà không thay đổi khả năng, vì vậy việc nhận diện chúng bằng trung bình hoặc biến động là một quy ước báo cáo

Nhiều trạng thái hơn luôn thêm tính linh hoạt và có thể tạo ra các chế độ rất nhỏ quanh ngoại lệ. Tiêu chí thông tin, tính ổn định, khả năng diễn giải và dự báo ngoài mẫu nên định hướng lựa chọn

Xác suất khủng hoảng đã lọc là 70% thể hiện sự không chắc chắn dưới mô hình đã khớp. Nó không chứng minh thị trường khách quan đang ở trạng thái khủng hoảng

Dự báo lấy trung bình các kết quả theo từng trạng thái bằng xác suất chế độ và động lực chuyển tiếp. Phân loại cứng bỏ qua sự không chắc chắn và có thể tạo ra việc xoay vòng đột ngột

Các ngưỡng được chọn sau khi xem lợi suất chiến lược tạo ra việc nhìn trước dữ liệu. Quy tắc quyết định cần tính đến chi phí, độ trễ và quy trình ngoài mẫu

Mô hình chuyển đổi Markov có thể biểu diễn trung bình lợi suất tăng–giảm, biến động thấp–cao, căng thẳng chênh lệch tín dụng hoặc trạng thái tăng trưởng chu kỳ kinh doanh

Một ma trận chuyển tiếp giả định tính dai dẳng ổn định. Thay đổi chính sách, cấu trúc thị trường và khủng hoảng có thể làm thay đổi vĩnh viễn các chuyển tiếp hoặc tham số phát xạ

Một đứt gãy cấu trúc có thể bị nhầm là các chế độ lặp lại, trong khi một quá trình biến động liên tục có thể bị ép vào những hộp tùy ý. Hãy so sánh các phương án đơn giản hơn

Báo cáo các biến, tần suất, tiền xử lý, số trạng thái, họ phát xạ, ma trận chuyển tiếp, khởi tạo, tìm kiếm cực trị cục bộ và độ không chắc chắn của tham số

Hiển thị xác suất đã lọc và đã làm trơn, thời lượng kỳ vọng, mức chồng lấn trạng thái, điểm dự báo, các điều chỉnh phân loại và độ nhạy với điểm đầu cuối của mẫu

Dùng nhãn chế độ như bản tóm tắt ngắn gọn của một mô hình xác suất, không phải lời gọi thị trường hoàn hảo nhìn lại hoặc lời giải thích nhân quả cho lợi suất