导语:
本篇大部分的阅读是来自于《量化投资:数据挖掘与实践》这本书,有兴趣的同学可以找书来参考阅读
简介:
很多人认为,如果要看见未来,不仅仅要知晓现在,还要了解过去。但是马尔科夫认为,看见未来,只需要知道实物现在是怎么样的就够了。
马尔科夫过程
先给出官方的定义吧:
设 {Xt,t∈T} 为随机过程,若对任意正整数 n 及
t1<t2<⋅⋅⋅<tn ,有:
P{Xt1=x1,⋅⋅⋅,Xtn−1=xn−1}>0
且条件分布:
P{Xtn≤xn|Xt1=x1,⋅⋅⋅,Xtn−1=xn−1}=P{Xtn≤xn|Xtn−1=xn−1}
则称 {Xt,t∈T} 为马尔科夫过程。
看不懂吧~emmm,我们来分析一下,马尔科夫过程是一个随机过程,这个随机过程满足两个条件,首先来看第一个
P{Xt1=x1,⋅⋅⋅,Xtn−1=xn−1}>0
一个东西的概率大于0,也就是说, {Xt1=x1,⋅⋅⋅,Xtn−1=xn−1} 这些事情只要是可能事件就可以了(也就是说,马尔科夫过程一定得是有可能发生的过程)
再来看第二个条件
P{Xtn≤xn|Xt1=x1,⋅⋅⋅,Xtn−1=xn−1}=P{Xtn≤xn|Xtn−1=xn−1}
这是在说,在前
n−1
个事件发生的情况下,第
n
期时,随机变量
即如果我们将 t−1 期当做现在, t 期当做未来,那么该条件的思想也就是“未来只与现在有关,没必要了解过去是怎么样的”,如果满足该假设,我们则称这样的随机过程为马尔科夫过程。
马尔科夫的使用步骤
那么给一个实际的问题,我们如何使用马尔科夫过程来解决呢?
比如说大盘的走势预测
首先确保大盘的走势符合马尔科夫的适应条件
也就是确保大盘未来的走势只现在的走势有关(未来不一定是明天,也有可能是下个月,现在不一定是今天,也有可能是这个月)
构造转移矩阵
这就是转移矩阵的样子,其中
那么如果我们去最近90天的大盘为训练集,然后假设有然后统计出,这期上涨下一期下跌的概率为0.25,这期上涨下一期走平的概率为0.5,这期上涨下一期上涨的概率为0.25,然后我们就可以构造出转移矩阵的第一行,接着还继续计算这期走平,这期下跌的情况。
马尔科夫链的稳态
嗯,是的,当时间趋向于无穷大的时候,各个状态的比例将会趋向于平稳。
那么怎么来计算这个稳态呢?解方程即可,比如假设在很久之后的未来,上涨的比例记为a,走平的比例记为b,下跌的比例记为c,则有
然后算出来的 (a,b,c) 即是该马尔科夫过程的稳态。