本文關(guān)鍵詞：隱馬爾科夫模型的改進及其在金融預測中的應用　出處：《工程數(shù)學學報》2017年05期 　論文類型：期刊論文

  更多相關(guān)文章： 隱馬爾科夫模型 K-means聚類 隱狀態(tài) 模型參數(shù) 金融預測

【摘要】：隱馬爾科夫模型(Hidden Markov Model)在諸多領(lǐng)域都有廣泛應用.本文從不同角度對現(xiàn)有的HMM進行改進并應用于金融預測.首先,我們采取固定K-means方法的初始點,使得K-means的聚類結(jié)果更加穩(wěn)定,由此為Baum-Welch算法確定更好的初始迭代值.其次,為更進一步提升預測效果,與已有方法不同,我們將由BaumWelch算法所得到的模型參數(shù)值作為Vertibi算法的輸入來確定隱狀態(tài)的最優(yōu)取值序列,由此重新劃分觀測向量,進而得到各個隱狀態(tài)對應的觀測向量的集合;基于Vertibi算法的輸出結(jié)果,我們重新計算不同類觀測向量的均值與方差,將新的均值向量和協(xié)方差矩陣作為Baum-Welch算法初始迭代值,最終確定HMM最優(yōu)的模型參數(shù).最后,代替現(xiàn)有方法僅在歷史區(qū)間中簡單尋求相似走勢的做法,我們不僅導出了預測值發(fā)生的多步條件概率的精細表達式,而且通過極大化該條件概率的值來得到更佳的預測值.基于中國證券市場具體數(shù)據(jù)的實證結(jié)果表明了本文所提出改進HMM的優(yōu)越性.
[Abstract]:Hidden Markov Model (Hidden Markov Model) is widely used in many fields. This paper improves the existing HMM from different angles and applies it to financial forecasting. We adopt the fixed K-means method of the initial point, so that K-means clustering results more stable, thus for the Baum-Welch algorithm to determine a better initial iterative value. Secondly. In order to further improve the prediction effect, it is different from the existing methods. We use the model parameter value obtained by BaumWelch algorithm as the input of Vertibi algorithm to determine the optimal value sequence of hidden state, and then repartition the observation vector. Then the set of observation vectors corresponding to each hidden state is obtained. Based on the output of Vertibi algorithm, we recalculate the mean and variance of different kinds of observation vectors, and take the new mean vector and covariance matrix as the initial iteration value of Baum-Welch algorithm. Finally, instead of simply looking for similar trend in the historical interval, we not only derive the fine expression of the probability of multi-step condition for the occurrence of the predicted value, but also determine the optimal model parameters of HMM. The empirical results based on the specific data of the Chinese stock market show the superiority of the improved HMM proposed in this paper.
【作者單位】： 西安交通大學數(shù)學與統(tǒng)計學院;
【基金】：國家自然科學基金(71371152;11571270)~~
【分類號】：F832.51;O211.62
【正文快照】： 1引引言1966年,Baum和Petrie[1]提出了隱馬爾科夫模型(Hidden Markov Model,HM-M).該模型應用廣泛,目前已經(jīng)成為語音識別、圖像處理、故障檢測、腦疾診斷等領(lǐng)域內(nèi)的重要工具.例如,Baum等人[2]將HMM應用于語音識別問題,并且取得了長足的發(fā)展.Su等人[3]將HMM應用于手寫漢字識別,

【相似文獻】

相關(guān)期刊論文 前4條

1 余龍華;王宏;鐘洪聲;;基于隱馬爾科夫模型的人臉識別[J];計算機技術(shù)與發(fā)展;2012年02期

2 劉曉飛;邸書靈;;基于隱馬爾科夫模型的文本分類[J];石家莊鐵道大學學報(自然科學版);2013年01期

3 豐月姣;賀興時;;二階隱馬爾科夫模型的原理與實現(xiàn)[J];價值工程;2009年12期

4 何麗;;基于隱馬爾科夫模型下的實時風險管理[J];電腦知識與技術(shù);2014年08期

相關(guān)會議論文 前1條

1 王宏生;孫美玲;李家峰;;隱馬爾科夫模型在構(gòu)建語言模型中的應用[A];創(chuàng)新沈陽文集（A）[C];2009年

相關(guān)碩士學位論文 前7條

1 孫穎華;高階離散隱馬爾科夫模型的嚴格定義及等價性質(zhì)[D];江蘇大學;2016年

2 劉存棟;基于隱馬爾科夫模型、馬爾科夫狀態(tài)轉(zhuǎn)換模型的商品期貨價格預測研究與實證分析[D];山東大學;2017年

3 錢晨;隱馬爾科夫模型演化下的隱組檢測[D];西安電子科技大學;2009年

4 敬曉龍;小波變換在隱馬爾科夫模型非參數(shù)估計中的應用[D];四川大學;2003年

5 楊楠;基于Ⅱ-型模糊隱馬爾科夫模型的火焰識別[D];電子科技大學;2012年

6 趙正輝;基于隱馬爾科夫模型的信號分類[D];重慶大學;2011年

7 吳漫君;基于隱馬爾科夫模型的股價走勢預測[D];華南理工大學;2011年

，

本文編號：1402892