原文链接：/?p=17685
原文出处：拓端数据部落公众号
我们被要求在本周提供一个报告，该报告将结合金融统计，优化等数值方法。
分析师通常关心检测市场何时“发生变化”：几个月或几年内市场的典型行为可以立即转变为非常不同的行为。投资者希望及时发现这些变化，以便可以相应地调整其策略，但是这可能很困难。
让我们考虑一个简化的示例。牛市可以被定义股票市场普遍看涨且持续时间较长的市场。熊市对应于指延续时间相对较长的大跌并且有相对较高的波动性。我们可以使用随机数来近似这种行为：它将在牛市和熊市期间生成某些股票或指数的每日收益（或价格变化），每期持续100天：
bull1 = normrnd( 0.10, 0.15, 100, 1);bear = normrnd(-0.01, 0.20, 100, 1);bull2 = normrnd( 0.10, 0.15, 100, 1);returns = [bull1; bear; bull2];
牛市时期的平均数为正（与增长相对应），而熊市时期的平均数为负。还要注意，熊市（空头）比牛市更不稳定（波动更大）。
因为我们模拟了这些数据，所以我们知道它的行为方式。但是，投资者只是在这些市场发生时观察它们：
plot(returns)xlabel('Day number')ylabel('Daily change in price')
由于数据的波动性，可能难以检测何时熊市发生：上面的图看起来非常像是一个随机过程，而不是相邻的牛市/熊市/牛市时期。
马尔可夫区制转移(Markov regime switching)模型旨在阐明这些类型的问题。它将以上收益序列视为由马尔可夫过程控制的状态（区制）转移模型（MRS），以在状态之间进行转移。代码：
indep = ones(size(returns)); %虚拟解释变量k = 2; %我们期望有多少种状态：牛市与熊市S = [1 1]; % 多头和空头的均值和波幅均不同% 此处省略了一些屏幕输出
生成的图向我们展示了几件事。首先，最上面的图确认了本来很难观察到的状态转移发生的时间。中间的图表明在第100天到第200天之间波动性增加（标准偏差增加）。最重要的是，底部图清楚地表明，市场分别在第100天和200天左右从多头转为空头（然后回落）。SpecOut变量包含有关估计参数的信息，这些参数描述了牛市和熊市以及控制两者之间转移的马尔可夫过程。
最受欢迎的见解
1.用R语言模拟混合制排队随机服务排队系统
2.R语言中使用排队论预测等待时间
3.R语言中实现马尔可夫链蒙特卡罗MCMC模型
4.R语言中的马尔科夫机制转换(Markov regime switching)模型
5.matlab贝叶斯隐马尔可夫hmm模型
6.用R语言模拟混合制排队随机服务排队系统
7.Python基于粒子群优化的投资组合优化
8.R语言马尔可夫转换模型研究交通伤亡人数事故预测
9.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用
