量化投资的利器：隐马尔可夫模型（二）

在之前的文章（《量化投资的利器：隐马尔可夫模型（一）》）里，我们比较“文学地”介绍了隐马尔可夫模型（HMM）的基本思想。而这篇文章将深入地从数学上来讨论HMM模型的细节。

一、马尔可夫链

首先讨论在处理序列数据时最常用的数学工具—马尔可夫链¹（Markov chain或者Markov process）。

马尔可夫链描述的是一个随机过程（stochastic process），比如《量化投资的利器：隐马尔可夫模型（一）》中的天气情况。更一般地，假设$y_1,y_2,...,y_n$是按顺序排列的随机变量。这些随机变量是相互关联的，也就是说当前状态和之前的状态有关系，具体的如公式（1）所示：

$$P(y_i|y_{i-1},y_{i-2},...,y_0)=P(y_i|y_{i-1})\text{\hspace{1em}(1)}$$

上面的公式可形象地理解为：$y_i$是一个很“健忘”的随机过程，它的当前状态只跟前一个状态相关。针对马尔可夫链，数学上还可以证明：

(2) P ( y 0 , . . . , y i − 1 , y i + 1 , . . . , y n ∣ y i ) = P ( y 0 , . . . , y i − 1