Discusión sobre el artículo "Modelos ocultos de Markov para la predicción de la volatilidad siguiendo tendencias"
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Modelos ocultos de Markov para la predicción de la volatilidad siguiendo tendencias:
En el libro Evidence-Based Technical Analysis (Análisis técnico basado en la evidencia), Dave Aronson sugiere que los operadores desarrollen sus estrategias utilizando métodos científicos. Este proceso comienza con la formulación de una hipótesis basada en la intuición que subyace a la idea y su rigurosa comprobación para evitar el sesgo de espionaje de datos. En este artículo, intentaremos hacer lo mismo. En primer lugar, debemos intentar comprender qué es el modelo oculto de Markov y por qué podría beneficiarnos en el desarrollo de nuestra estrategia.
Un modelo oculto de Markov (HMM) es un modelo de aprendizaje automático no supervisado que representa sistemas en los que el estado subyacente está oculto, pero puede inferirse a través de eventos o datos observables. Se basa en la hipótesis de Markov, que postula que el estado futuro del sistema depende únicamente de su estado actual y no de sus estados pasados. En un HMM, el sistema se modela como un conjunto de estados discretos, y cada estado tiene una probabilidad determinada de pasar a otro estado. Estas transiciones se rigen por un conjunto de probabilidades conocidas como probabilidades de transición. Los datos observados (como los precios de los activos o los rendimientos del mercado) son generados por el sistema, pero los estados en sí mismos no son directamente observables, de ahí el término «ocultos».
Estos son sus componentes:
Estados: Son las condiciones o regímenes no observables del sistema. En los mercados financieros, estos estados pueden representar diferentes condiciones del mercado, como un mercado alcista, un mercado bajista o períodos de alta y baja volatilidad. Estos estados evolucionan basándose en ciertas reglas probabilísticas.
Probabilidades de transición: Definen la probabilidad de pasar de un estado a otro. El estado del sistema en el momento t solo depende del estado en el momento t-1, adhiriéndose a la propiedad de Markov. Las matrices de transición se utilizan para cuantificar estas probabilidades.
Probabilidades de emisión: Describen la probabilidad de observar un dato concreto (por ejemplo, el precio de una acción o su rendimiento) dado el estado subyacente. Cada estado tiene una distribución de probabilidad que determina la probabilidad de observar determinadas condiciones de mercado o movimientos de precios cuando se encuentra en ese estado.
Probabilidades iniciales: Representan la probabilidad de que el sistema comience en un estado concreto, lo que proporciona el punto de partida para el análisis del modelo.
Dados estos componentes, el modelo utiliza la inferencia bayesiana para inferir la secuencia más probable de estados ocultos a lo largo del tiempo basándose en los datos observados. Esto se suele hacer mediante algoritmos como el algoritmo adelante-atrás o el algoritmo de Viterbi, que estiman la probabilidad de los datos observados dada la secuencia de estados ocultos.
Autor: Zhuo Kai Chen