马尔科夫链定义本身比较简单,它假设某一时刻状态转移的概率只依赖于它的前一个状态。
转移理论
1.马尔科夫链模型的状态转移矩阵
假设我们当前股市的概率分布为:[0.3,0.4,0.3],即30%概率的牛市,40%概率的熊盘与30%的横盘。然后这个状态作为序列概率分布的初始状态t0t0,将其带入这个状态转移矩阵计算t1,t2,t3...t1,t2,t3...的状态。
现在我们用[0.7,0.1,0.2]作为初始概率分布,然后这个状态作为序列概率分布的初始状态t0t0,将其带入这个状态转移矩阵计算t1,t2,t3...t1,t2,t3...的状态。
对于一个确定的状态转移矩阵PP,它的n次幂PnPn在当n大于一定的值的时候也可以发现是确定的
马尔科夫链模型的状态转移矩阵收敛到的稳定概率分布与我们的初始状态概率分布无关。这个稳定概率分布对应的马尔科夫链模型的状态转移矩阵,则可以用任意的概率分布样本开始,带入马尔科夫链模型的状态转移矩阵,这样经过一些序列的转换,最终就可以得到符合对应稳定概率分布的样本。
总结
1)输入马尔科夫链状态转移矩阵PP,设定状态转移次数阈值n1n1,需要的样本个数n2n2
2)从任意简单概率分布采样得到初始状态值x0x0
3)for t=0t=0 to n1+n2−1n1+n2−1: 从条件概率分布P(x|xt)P(x|xt)中采样得到样本xt+1xt+1
样本集(xn1,xn1+1,...,xn1+n2−1)(xn1,xn1+1,...,xn1+n2−1)即为我们需要的平稳分布对应的样本集。