[论文解读] Stock Market Trend Analysis Using Hidden Markov Models

G. Kavitha, A. Udhayakumar+1 more|arXiv (Cornell University)|Nov 19, 2013

Stock Market Forecasting Methods参考文献 13被引用 6

一句话总结

本文提出一种隐马尔可夫模型（HMM）方法，通过将每日价格变动建模为观测值并推断隐藏的市场状态，来分析股票市场趋势。利用一日价格变动差值和稳态概率分布，该方法识别出最优的隐藏状态序列，结果表明，一日收益率产生的状态序列在金融时间序列的趋势预测中表现最佳。

ABSTRACT

Price movements of stock market are not totally random. In fact, what drives the financial market and what pattern financial time series follows have long been the interest that attracts economists, mathematicians and most recently computer scientists [17]. This paper gives an idea about the trend analysis of stock market behaviour using Hidden Markov Model (HMM). The trend once followed over a particular period will sure repeat in future. The one day difference in close value of stocks for a certain period is found and its corresponding steady state probability distribution values are determined. The pattern of the stock market behaviour is then decided based on these probability values for a particular time. The goal is to figure out the hidden state sequence given the observation sequence so that the trend can be analyzed using the steady state probability distribution( ) values. Six optimal hidden state sequences are generated and compared. The one day difference in close value when considered is found to give the best optimum state sequence.

研究动机与目标

• 将股票市场行为建模为由隐藏状态控制的随机过程，采用HMM。
• 通过从观测到的价格变动中估计隐藏状态序列，识别金融时间序列中的重复模式。
• 评估不同观测序列（如一日收益率）在生成最优隐藏状态序列方面的有效性。
• 基于稳态概率分布，确定在趋势分析中表现最佳的状态序列。
• 为量化金融中的市场趋势预测，提供一种数据驱动的、基于概率的框架。

提出的方法

• 作者将股票价格变动建模为隐马尔可夫模型，其中未观测到的市场状态影响可观测的价格变动。
• 使用每日收盘价的差值作为观测序列，以推断隐藏的市场状态。
• 为每个隐藏状态计算稳态概率分布，以表征长期行为模式。
• 使用模型评估标准，生成并比较六种不同的隐藏状态序列。
• 根据其反映一致且可解释的市场趋势的能力，选择最优序列。
• 该方法依赖标准的HMM推理技术，包括前向-后向算法和维特比解码，用于状态序列估计。

实验结果

研究问题

• RQ1 隐马尔可夫模型能否有效捕捉并预测股票市场趋势中的重复模式？
• RQ2 哪种观测序列（如一日价格变动差值）能产生最准确的隐藏状态序列用于趋势分析？
• RQ3 隐藏状态的稳态概率分布如何与可识别的市场状态相关联？
• RQ4 多个生成的隐藏状态序列在建模市场行为方面的相对表现如何？
• RQ5 HMM在利用概率状态转移方面，能在多大程度上提高金融时间序列的可预测性？

主要发现

• 收盘价的一日差值产生了用于趋势分析的最优隐藏状态序列。
• 隐藏状态的稳态概率分布被证明能有效表征长期市场行为模式。
• 生成并评估了六种不同的隐藏状态序列，其中一日收益率序列表现最优。
• HMM框架通过将价格变动建模为概率状态转移，成功识别出重复的市场趋势。
• 结果证实，股票市场走势并非完全随机，而是表现出潜在的状态依赖动态。
• 本研究证明了通过概率化价格变动建模，利用HMM进行金融趋势预测的可行性。