股票市场的马尔可夫链模型

① 如何用简单易懂的例子解释隐马尔可夫模型

隐马尔可夫（HMM）好讲，简单易懂不好讲。我认为 @者也的回答没什么错误，不过我想说个更通俗易懂的例子。
还是用最经典的例子，掷骰子。假设我手里有三个不同的骰子。第一个骰子是我们平常见的骰子（称这个骰子为D6），6个面，每个面（1，2，3，4，5，6）出现的概率是1/6。第二个骰子是个四面体（称这个骰子为D4），每个面（1，2，3，4）出现的概率是1/4。第三个骰子有八个面（称这个骰子为D8），每个面（1，2，3，4，5，6，7，8）出现的概率是1/8。

假设我们开始掷骰子，我们先从三个骰子里挑一个，挑到每一个骰子的概率都是1/3。然后我们掷骰子，得到一个数字，1，2，3，4，5，6，7，8中的一个。
不停的重复上述过程，我们会得到一串数字，每个数字都是1，2，3，4，5，6，7，8中的一个。例如我们可能得到这么一串数字（掷骰子10次）：1 6 3 5 2 7 3 5 2 4
这串数字叫做可见量链。但是在隐马尔可夫模型中，我们不仅仅有这么一串可见量链，还有一串隐含量链。在这个例子里，这串隐含变量链就是你用的骰子的序列。比如，隐含量链有可能是：D6 D8 D8 D6 D4 D8 D6 D6 D4 D8
一般来说，HMM中说到的马尔可夫链其实是指隐含量链，因为隐含量（骰子）之间存在转换概率的。在我们这个例子里，D6的下一个状态是D4，D6，D8的概率都是1/3。D4，D8的下一个状态是D4，D6，D8的转换概率也都一样是1/3。这样设定是为了最开始容易说清楚，但是我们其实是可以随意设定转换概率，或者转换概率分布的。比如，我们可以这样定义，D6后面不能接D4，D6后面是D6的概率是0.9，是D8的概率是0.1。这样就是一个新的HMM。
同样的，尽管可见量之间没有转换概率，但是隐含量和可见量之间有一个概率叫做emission probability（发射概率？没见过中文怎么说的。。。）。对于我们的例子来说，六面骰（D6）产生1的emission probability是1/6。产生2，3，4，5，6的概率也都是1/6。我们同样可以对emission probability进行其他定义。比如，我有一个被赌场动过手脚的六面骰子，掷出来是1的概率更大，是1/2，掷出来是2，3，4，5，6的概率是1/10。

② 马尔可夫链运用在股票指数模型中的局限性

挟制于技术指标

③ 马尔可夫链的模型

完整的四叉树模型也存在一些问题.
⑴ 因概率值过小，计算机的精度难以保障而出现下溢，若层次多，这一 问题更为突出.虽然可以通过取对数的方法将接近于 0 的小值转换成大的负值，但若层次过多、概率值过小，该 方法也难以奏效，且为了这些转换所采用的技巧又增加了不少计算量.
⑵ 当图像较大而导致层次较多时，逐层的计算甚为繁琐。下溢现象肯定会出现，存储中间变量也会占用大量空间，在时间空间上都有更多的开销.
⑶ 分层模型存在块效应，即区域边界可能出现跳跃，因为在该模型中，同一层随机场中相邻的像素不一定有同 一个父节点，同一层的相邻像素间又没有交互，从而可能出现边界不连续的现象.

④ 如何用简单易懂的例子解释隐马尔可夫模型

和HMM模型相关的算法主要分为三类，分别解决三种问题：
1）知道骰子有几种（隐含状态数量），每种骰子是什么（转换概率），根据掷骰子掷出的结果（可见状态链），我想知道每次掷出来的都是哪种骰子（隐含状态链）。
这个问题呢，在语音识别领域呢，叫做解码问题。这个问题其实有两种解法，会给出两个不同的答案。每个答案都对，只不过这些答案的意义不一样。第一种解法求最大似然状态路径，说通俗点呢，就是我求一串骰子序列，这串骰子序列产生观测结果的概率最大。第二种解法呢，就不是求一组骰子序列了，而是求每次掷出的骰子分别是某种骰子的概率。比如说我看到结果后，我可以求得第一次掷骰子是D4的概率是0.5，D6的概率是0.3，D8的概率是0.2.第一种解法我会在下面说到，但是第二种解法我就不写在这里了，如果大家有兴趣，我们另开一个问题继续写吧。
2）还是知道骰子有几种（隐含状态数量），每种骰子是什么（转换概率），根据掷骰子掷出的结果（可见状态链），我想知道掷出这个结果的概率。
看似这个问题意义不大，因为你掷出来的结果很多时候都对应了一个比较大的概率。问这个问题的目的呢，其实是检测观察到的结果和已知的模型是否吻合。如果很多次结果都对应了比较小的概率，那么就说明我们已知的模型很有可能是错的，有人偷偷把我们的骰子给换了。
3）知道骰子有几种（隐含状态数量），不知道每种骰子是什么（转换概率），观测到很多次掷骰子的结果（可见状态链），我想反推出每种骰子是什么（转换概率）。
这个问题很重要，因为这是最常见的情况。很多时候我们只有可见结果，不知道HMM模型里的参数，我们需要从可见结果估计出这些参数，这是建模的一个必要步骤。
问题阐述完了，下面就开始说解法。（0号问题在上面没有提，只是作为解决上述问题的一个辅助）

⑤ 能否用通俗易懂的例子，举例说明究竟什么是马尔可夫链

（本文来自我的微信公众号：红猴子老师，一个工科生快速涨姿势的号）

马尔可夫链 （Markov Chain）是什么鬼

它是随机过程中的一种过程，一个统计模型，到底是哪一种过程呢？好像一两句话也说不清楚，还是先看个例子吧。

先说说我们村智商为0的王二狗，人傻不拉几的，见人就傻笑，每天中午12点的标配，仨状态：吃，玩，睡。这就是传说中的状态分布。

⑥ 马尔科夫链在经济预测和决策中的应用

马尔科夫链对经济预测和决策是通过模型来进行的。
马尔可夫链，是指数学中具有马尔可夫性质的离散事件随机过程。该过程中，在给定当前知识或信息的情况下，过去（即当前以前的历史状态）对于预测将来（即当前以后的未来状态）是无关的。
马尔科夫链是一种预测工具。适宜对很多经济现象的描述。最为典型的就是对股票市场的分析。有人利用历史数据预测未来股票或股市走势，发现并不具备明显的准确性，得出的结论是股市无规律可言。
经济学者们用建立马尔科夫链模型来进行预测和决策，一般分为三步，设定状态，计算转移概率矩阵，计算转移的结果。

⑦ 马尔可夫链的MRF

为了解决这些问题，我们提出一种新的分层 MRF 模型——半树模型，其结构和图15类似，仍然是四叉树，只是层数比完整的四叉树大大减少，相当于将完整的四叉树截为两部分，只取下面的这部分.模型最下层仍和图像 大小一致，但最上层则不止一个节点.完整的四叉树模型所具有的性质完全适用于半树模型，不同点仅在于最上层,完整的树模型从上到下构成 了完整的因果依赖性，而半树模型的层间因果关系被截断，该层节点的父节点及祖先均被删去，因此该层中的各 节点不具有条件独立性，即不满足上述的性质2,因而对这一层转为考虑层内相邻节点间的关系.半树模型和完 整的树模型相比，层次减少了许多，这样，层次间的信息传递快了，概率值也不会因为过多层次的逐层计算而小 到出现下溢.但第 0 层带来了新的问题，我们必须得考虑节点间的交互，才能得出正确的推导结果，也正是因为在 第 0 层考虑了相邻节点间的影响，使得该模型的块现象要好于完整的树模型.对于层次数的选取，我们认为不宜多，太多则达不到简化模型的目的，其优势体现不出来，但也不能太少，因为第0 层的概率计算仍然要采用非迭代的算法，层数少表明第0 层的节点数仍较多，计算费时，所以在实验中将 层数取为完整层次数的一半或一半稍少.
MPM 算法
3半树模型的 MPM 算法
图像分割即已知观测图像 y,估计 X 的配置，采用贝叶斯估计器，可由一个优化问题来表示：
?x = arg min [E C ( x,x ）′ | Y = y],x其中代价函数 C 给出了真实配置为 x 而实际分割结果为 x′时的代价.在已知 y 的情况下，最小化这一代价的期 望，从而得到最佳的分割.代价函数取法不同得到了不同的估计器，若 C(x,x′）=1?δ(x,x′）（当 x=x′时δ(x,x′）=1,否则 δ(x,x′）=0)得到的是 MAP 估计器，它意味着 x 和 x′只要在一个像素处有不同，则代价为 1,对误分类的惩罚比较重，汪西莉 等：一种分层马尔可夫图像模型及其推导算法
而在实际中存在一些误分类是完全允许的.若将半树模型的 MPM 算法记为 HT-MPM,它分为向上算法和向下算法两步，向上算法自下而上根据式⑵、 式 ⑶逐层计 算P(yd(s)|xs)和 P(xs,xρ(s)|yd(s)），对最下层 P(yd(s)|xs)=P(ys|xs). 向下算法自上 而下根据 式 ⑴逐层计算 P(xs|y)，对最上层由 P(x0|y)采样 x0⑴，…,x0(n),

⑧ 马尔可夫链的详细说明

时间和状态都是离散的马尔可夫过程称为马尔可夫链，简记为Xn = X(n),n = 1,2,3,4····。
马尔可夫链是随机变量的一个数列。这些变量的范围，即他们所有可能取值的集合，被称为“状态空间”，而Xn的值则是在时间n的状态。如果Xn + 1对于过去状态的条件概率分布仅是Xn的一个函数，则
P(Xn+1=x|X0,X1,X2,...Xn)=P(Xn+1=x|Xn)
马尔可夫链与布朗运动以及遍历假说这两个二十世纪初期物理学重要课题是相联系的，但马尔可夫寻求的似乎不仅于数学动机，名义上是对于纵属事件大数法则的扩张。
马尔可夫链是满足下面两个假设的一种随机过程：
1、t+l时刻系统状态的概率分布只与t时刻的状态有关，与t时刻以前的状态无关；
2、从t时刻到t+l时刻的状态转移与t的值无关。一个马尔可夫链模型可表示为=(S,P,Q)，其中各元的含义如下：
1)S是系统所有可能的状态所组成的非空的状态集，有时也称之为系统的状态空间，它可以是有限的、可列的集合或任意非空集。本文中假定S是可数集（即有限或可列）。用小写字母i,j（或Si,Sj)等来表示状态。
2)P是系统的状态转移概率矩阵，其中Pij表示系统在时刻t处于状态i,在下一时刻t+l处于状态j的概率,N是系统所有可能的状态的个数。对于任意i∈s,有。
3)Q是系统的初始概率分布,qi是系统在初始时刻处于状态i的概率，满足。 马尔可夫链模型的性质
马尔可夫链是由一个条件分布来表示的
P(Xn + 1 | Xn)
这被称为是随机过程中的“转移概率”。这有时也被称作是“一步转移概率”。二、三，以及更多步的转移概率可以导自一步转移概率和马尔可夫性质：
同样：
这些式子可以通过乘以转移概率并求k−1次积分来一般化到任意的将来时间n+k。
边际分布P(Xn)是在时间为n时的状态的分布。初始分布为P(X0)。该过程的变化可以用以下的一个时间步幅来描述：
这是Frobenius-Perron equation的一个版本。这时可能存在一个或多个状态分布π满足：
其中Y只是为了便于对变量积分的一个名义。这样的分布π被称作是“平稳分布”(Stationary Distribution)或者“稳态分布”(Steady-state Distribution)。一个平稳分布是一个对应于特征根为1的条件分布函数的特征方程。
平稳分布是否存在，以及如果存在是否唯一，这是由过程的特定性质决定的。“不可约”是指每一个状态都可来自任意的其它状态。当存在至少一个状态经过一个固定的时间段后连续返回，则这个过程被称为是“周期的”。 离散状态空间中的马尔可夫链模型
如果状态空间是有限的，则转移概率分布可以表示为一个具有(i,j)元素的矩阵，称之为“转移矩阵”：
Pij = P(Xn + 1 = i | Xn = j)
对于一个离散状态空间,k步转移概率的积分即为求和，可以对转移矩阵求k次幂来求得。就是说，如果是一步转移矩阵，就是k步转移后的转移矩阵。
平稳分布是一个满足以下方程的向量：
在此情况下，稳态分布π * 是一个对应于特征根为1的、该转移矩阵的特征向量。
如果转移矩阵不可约，并且是非周期的，则收敛到一个每一列都是不同的平稳分布π * ，并且，
独立于初始分布π。这是由Perron-Frobenius theorem所指出的。
正的转移矩阵（即矩阵的每一个元素都是正的）是不可约和非周期的。矩阵被称为是一个随机矩阵，当且仅当这是某个马尔可夫链中转移概率的矩阵。
注意：在上面的定式化中，元素(i,j)是由j转移到i的概率。有时候一个由元素(i,j)给出的等价的定式化等于由i转移到j的概率。在此情况下，转移矩阵仅是这里所给出的转移矩阵的转置。另外，一个系统的平稳分布是由该转移矩阵的左特征向量给出的，而不是右特征向量。
转移概率独立于过去的特殊况为熟知的Bernoulli scheme。仅有两个可能状态的Bernoulli scheme被熟知为贝努利过程