Discussão do artigo "Modelos ocultos de Markov para previsão de volatilidade com consideração de tendência"
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Modelos ocultos de Markov para previsão de volatilidade com consideração de tendência foi publicado:
No livro "Análise Técnica Baseada em Evidências" Dave Aronson propõe que os traders desenvolvam suas estratégias utilizando métodos científicos. Esse processo começa com a formulação de uma hipótese baseada em uma ideia intuitiva e com sua testagem rigorosa, a fim de evitar vieses decorrentes da observação indevida dos dados. Neste artigo, adotaremos uma abordagem semelhante. Primeiro, vamos entender o que é um modelo oculto de Markov e por que ele pode ser útil no desenvolvimento da nossa estratégia.
Um modelo oculto de Markov (HMM) é um modelo de aprendizado de máquina não supervisionado que representa sistemas em que o estado subjacente está oculto, mas pode ser inferido com base em eventos ou dados observáveis. Ele se baseia na suposição de Markov, segundo a qual o estado futuro do sistema depende apenas do seu estado atual e não dos estados anteriores. Nos modelos ocultos de Markov, o sistema é representado como um conjunto de estados discretos, sendo que cada estado possui uma probabilidade específica de transição para outro. Essas transições são descritas por um conjunto de probabilidades conhecidas como probabilidades de transição. Os dados observáveis (como preços de ativos ou retornos de mercado) são gerados pelo sistema, mas os próprios estados não podem ser observados diretamente, daí o termo "oculto".
Seus principais componentes:
Os estados são condições ou regimes não observáveis do sistema. Nos mercados financeiros, esses estados podem representar diferentes condições de mercado, como um mercado de alta, um mercado de baixa ou períodos de alta e baixa volatilidade. Esses estados evoluem com base em determinadas regras probabilísticas.
As probabilidades de transição determinam a chance de mudança de um estado para outro. O estado do sistema no momento t depende apenas do estado no momento t-1, o que corresponde à propriedade de Markov. Para quantificar essas probabilidades, utilizam-se matrizes de transição.
As probabilidades de observação descrevem a chance de observar um determinado fragmento de dados (por exemplo, o preço de uma ação ou o retorno) considerando o estado subjacente. Cada estado possui uma distribuição de probabilidade que define a probabilidade de ocorrência de certas condições de mercado ou movimentos de preço naquele estado.
As probabilidades iniciais representam a chance de o sistema começar em um determinado estado, fornecendo o ponto de partida para a análise do modelo.
Considerando esses componentes, o modelo utiliza inferência bayesiana para determinar a sequência mais provável de estados ocultos ao longo do tempo com base nos dados observáveis. Normalmente, isso é feito com o auxílio de algoritmos como o algoritmo Forward-Backward ou o algoritmo de Viterbi, que avaliam a probabilidade dos dados observados levando em conta a sequência de estados ocultos.
Autor: Zhuo Kai Chen