馬爾可夫切換
波動率的 HMM 與簡單的過濾器有什麼不同嗎？
我建構了一個簡單的 HMM（隱馬爾可夫模型），在貨幣回報時間序列的 Vol（stdev）上有 2 個狀態。
我產生的狀態向量看起來是合理的，因為它似乎已經辨識出高波動率或低波動率的時期。
但是，我似乎能夠通過應用一個簡單的規則來生成一個非常相似的狀態向量，例如：
if (Vol) > x then 1 else 0.使用 HMM 有什麼優勢/區別嗎？
請看以下論文：
制度轉變：Kritzman、Page 和 Turkington 對動態戰略的影響
來自論文（第 25 頁）：
但是為什麼要經歷所有的麻煩呢？在處理狀態轉換時，我們希望馬爾可夫切換模型比基於門檻值的簡單數據分區表現更好。例如，在圖 1 中，如果我們簡單地將最高四分位數的觀察分類為與方法 2（高均值狀態）相關，那麼在 200 次觀察中，我們會錯誤地辨識實際狀態 40 次。相比之下，經過良好校準的馬爾可夫轉換模型只會錯誤辨識實際狀態 3 次。任意門檻值會發出錯誤信號，因為它們無法捕捉到製度的持久性以及不斷變化的波動率
編輯
似乎不再提供免費版本。如果你找到了，請告訴我：然後我會更新連結。
HMM 允許獲取轉換矩陣，該矩陣本身提供有關切換機率的附加資訊。
當 HMM 查看完整的狀態路徑時，它允許辨識，例如，高波動率狀態下的短期低波動性，這不是狀態轉換的結果。如果我們應用一些簡單的規則，我們就有更多的開關，因此有偏置的轉移矩陣。如果該分析的結果用於某些預測或模擬，則轉移矩陣中的誤差將是至關重要的。