種類 算法比較 計算 oid 分類 html 解碼 ask 參數估計

隱馬爾科夫模型在股票量化交易中有應用，最早我們找比特幣交易模型了解到了這個概念，今天又看了一下《統計學習方法》裏的隱馬爾科夫模型一章。 隱馬爾科夫模型從馬爾科夫鏈的概念而來，馬爾科夫鏈是指下一個狀態只和當前的n個狀態有關，和歷史狀態無關的一個時間上的事件鏈，隱馬爾科夫模型在這個狀態鏈的基礎上，讓每一個狀態都能產生觀測值，從而可以產生一個可觀測的數據鏈，讓原來的狀態鏈變成了幕後產生數據的狀態鏈，稱為因馬爾科夫鏈。 隱馬爾科夫鏈應用比較廣泛，主要能夠處理三類問題：。 一個是給定了馬爾科夫模型參數和觀測序列，計算這種序列出現的概率，即概率計算問題； 二是給定觀測序列或者給定觀測序列和隱含狀態序列，分別來估算隱馬爾科夫模型的參數，也就是參數估計問題，可以理解為機器學習的問題。前者沒有給出隱含狀態（Y），只給了觀測狀態（X），采用的是非監督學習方法。後者有X和Y，可以理解為監督學習的問題。 第三個問題是給定了模型參數和觀測序列，求出隱含狀態序列的問題，可以理解為預測問題或者是解碼問題。 目前對股票量化交易上的應用還沒有研究，網上說法大概就是應用到了隱馬爾科夫模型的機器學習和預測這兩個方面來實現 http://www.voidcn.com/blog/baskbeast/article/p-6012357.html 隱馬爾科夫模型進行監督學習的算法比較簡單，因為統計馬爾科夫模型的參數就是狀態轉移概率和觀測概率，如果既有狀態轉移鏈，又有觀測鏈，直接統計出訓練數據的這些概率值即可，但是一般難以一一統計海量觀測數據的類型信息，也就是狀態信息，因此對於此種類型的問題（如新聞分類，新聞是觀測，新聞所屬類型為狀態），一般會采用非監督學習，也就是隱馬爾科夫應用機器學習更多為非監督學習。 由此猜測可能如何選擇一個問題用監督學習還是非監督學習來進行訓練，其中要考慮的原因包括了下面的兩項：第一是是否能夠提供出一一對應的訓練觀測值和觀測值產生的結果的Map，二是這個問題是否有可能簡化到可以進行非監督學習，例如簡化成一個隱馬爾科夫鏈能處理的問題

隱馬爾科夫模型學習筆記