Обсуждение статьи "Скрытые марковские модели для прогнозирования волатильности с учетом тренда"

Новый комментарий
 

Опубликована статья Скрытые марковские модели для прогнозирования волатильности с учетом тренда:

Скрытые марковские модели (СММ) — это мощный статистический инструмент, позволяющий выявлять скрытые состояния рынка на основе анализа наблюдаемых ценовых движений. В трейдинге СММ позволяют улучшить прогнозирование волатильности и применяются при разработке трендовых стратегий, моделируя изменения рыночных режимов. В этой статье мы представим пошаговый процесс разработки стратегии следования за трендом, которая использует СММ в качестве фильтра для прогнозирования волатильности.

В книге "Технический анализ на основе доказательств" Дэйв Аронсон предлагает трейдерам разрабатывать свои стратегии с использованием научных методов. Этот процесс начинается с гипотезы, основанной на интуитивной идее и ее строгом тестировании во избежание предвзятости в результате подглядывания в данные. В этой статье мы предпримем аналогичный подход. Сначала разберемся, что такое скрытая марковская модель и почему она может быть полезна для разработки нашей стратегии.

Скрытая модель Маркова (СММ) — это модель машинного обучения без учителя, которая представляет системы, в которых базовое состояние скрыто, но может быть выведено на основе наблюдаемых событий или данных. Она основана на предположении Маркова, согласно которому будущее состояние системы зависит только от ее текущего состояния, а не от ее прошлых состояний. В скрытых марковских моделях система моделируется как набор дискретных состояний, причем каждое состояние имеет определенную вероятность перехода в другое состояние. Эти переходы описываются набором вероятностей, известных как вероятности переходов. Наблюдаемые данные (такие как цены активов или доходность рынка) генерируются системой, но сами состояния не поддаются непосредственному наблюдению, отсюда и термин "скрытая".

Ее основные компоненты:

  1. Состояния – это ненаблюдаемые условия или режимы системы. На финансовых рынках эти состояния могут представлять различные рыночные условия, такие как бычий рынок, медвежий рынок или периоды высокой и низкой волатильности. Эти состояния развиваются на основе определенных вероятностных правил.

  2. Вероятности перехода – они определяют вероятность перехода из одного состояния в другое. Состояние системы в момент времени t зависит только от состояния в момент времени t-1, что соответствует свойству Маркова. Для количественной оценки этих вероятностей используются матрицы перехода.

  3. Вероятности наблюдений – они описывают вероятность наблюдения конкретного фрагмента данных (например, цены акций или доходности) с учетом базового состояния. Каждое состояние имеет вероятностное распределение, которое определяет вероятность наблюдения определенных рыночных условий или ценовых движений в данном состоянии.

  4. Начальные вероятности – они представляют вероятность того, что система начнет работу в определенном состоянии, обеспечивая отправную точку для анализа модели.

Учитывая эти компоненты, модель использует байесовский вывод для вывода наиболее вероятной последовательности скрытых состояний во времени на основе наблюдаемых данных. Обычно это делается с помощью таких алгоритмов, как алгоритм Forward-Backward или алгоритм Витерби, которые оценивают вероятность наблюдаемых данных с учетом последовательности скрытых состояний.


Автор: Zhuo Kai Chen

 
Спасибо, сэр, я создаю свой собственный советник для торговли Xauusd, и этот пост помогает дать идеи, как вывести этот проект на уровень
Новый комментарий