❶ 马尔科夫 初始概率和绝对概率怎么计算
以上海证券交易所综合指数日涨跌幅数据为样本数据,利用马尔克夫分析法分析了综合指数涨跌幅所处各种状态的初始概率和转移概率,在此基础上,提出了一种预测股市指数涨跌幅的新方法。
2.
We assume that the changing of the stock price is the homogeneous Markov chain,there are up and down states,initial probability is stationary.
模型假设股票价格变化满足齐次马氏性,并具有涨跌两种状态,初始概率的分布是平稳分布,建立了相应的模型,给出了模型中未知参数的极大似然估计,并将模型应用于确定上证综合指数、深证成指及个股的涨跌趋势,得到了令人满意的结果。
❷ 马尔柯夫预测法
对事件的全面预测，不仅要能够指出事件发生的各种可能结果，而且还必须给出每一种结果出现的概率。
马尔可夫（Markov）预测法，就是一种预测事件发生的概率的方法。它是基于马尔可夫链，根据事件的目前状况预测其将来各个时刻（或时期）变动状况的一种预测方法。马尔可夫预测法是对地理、天气、市场、进行预测的基本方法，它是地理预测中常用的重要方法之一。
马尔可夫过程：
在事件的发展过程中，若每次状态的转移都仅与前一时刻的状态有关，而与过去的状态无关，或者说状态转移过程是无后效性的，则这样的状态转移过程就称为马尔可夫过程。
例如：
例1：人民生活水平可分为三种水平状态：温饱、小康、富裕。
例2：企业经营状况可分为：盈利、不盈不亏、亏损。
例3：商品销售状况可分为：畅销、平销、滞销。
状态转移举例：
例4：营业情况由盈利→亏损。
例5：商品由畅销→滞销。
公式说明：
设系统有N个状态Ei（i=1，2，…，N），以状态变量xt=i表示在时刻tn处于Ei（i=1，2，…，N），如果系统在时刻tn处于Ei而在时刻tn+1转移到Ej的概率只与Ei有关而与tn以前处的状态无关，则此概率可表示为：
Pij=P（Ei→Ej）=P（ xn+1 =j∣xn =i）
并称为一步转移概率。
0≤ Pij ≤1
∑ Pij =1
所有Pij构成的矩阵为（矩阵图，略）：
预测模型：
设系统有N个状态Ei（i=1，2，…，N），用Pi表示系统在k时期处于状态Ei（i=1，2，…，N）的概率，所有概率所构成的向量，称为状态概率向量。
其中： 0≤Pi（k）≤1（i=1，2，…，N）
∑ Pi（k）=1
当k=0时，反映系统在初始时状态概率的分布情况，称为起始状态概率分布。
由S（k+1）=S（k）P 可得递推关系（矩阵图，略）：
所以，马尔柯夫预测法的步骤应该为：
1、确定系统的状态Ei和S（0）；
2、确定P；
3、进行预测：S（k）=S（0）Pk
标签: 经济
❸ 什么是马尔可夫预测方法
马尔可夫预测法(也叫马尔科夫) 马尔可夫是俄国著名的数学家。马尔可夫预测法是以马尔可夫的名字命名的一种特殊的市场预测方法。马尔可夫预测法主要用于市场占有率的预测和销售期望利润的预测。 一、马尔可夫过程和马尔可夫预测法概念 我们知道，事物的发展状态总是随着时间的推移而不断变化的。在一般情况下，人们要了解事物未来的发展状态，不但要看到事物现在的状态，还要看到事物过去的状态。马尔可夫认为，还存在另外一种情况， 人们要了解事物未来的发展状态， 只须知道事物现在的状态，而与事物以前的状态毫无关系。例如，Ａ产品明年是畅销还是滞销， 只与今年的销售情况有关， 而与往年的销售情况没有直接的关系。后者的这种情况就称为马尔可夫过程，前者的情况就属于非马尔可夫过程。 马尔可夫过程的重要特征是无后效性。事物第n次出现的状态，只与其第n-1次的状态有关，它与以前的状态无关。举一个通俗例子说：池塘里有三片荷叶和一只青蛙，假设青蛙只在荷叶上跳来跳去。若现在青蛙在荷叶Ａ上，那么下一时刻青蛙要么在原荷叶Ａ上跳动，要么跳到荷叶Ｂ上，或荷叶Ｃ上。青蛙究竟处在何种状态上，只与当前状态有关，而与以前位于哪一片荷叶上并无关系。这种性质，就是无后效性。 所谓“无后效性”，是指过去对未来无后效，而不是指现在对未来无后效。马尔可夫链是与马尔可夫过程紧密相关的一个概念。马尔可夫链指出事物系统的状态由过去转变到现在， 再由现在转变到将来，一环接一环像一根链条，而作为马尔可夫链的动态系统将来是什么状态，取什么值， 只与现在的状态、取值有关， 而与它以前的状态、取值无关。因此，运用马尔可夫链只需要最近或现在的动态资料便可预测将来。马尔可夫预测法就是应用马尔可夫链来预测市场未来变化状态。
❹ 马尔科夫的马尔可夫链
马尔可夫链，因安德烈·马尔可夫（A.A.Markov，1856－1922）得名，是数学中具有马尔可夫性质的离散时间随机过程。该过程中，在给定当前知识或信息的情况下，过去（即当期以前的历史状态）对于预测将来（即当期以后的未来状态）是无关的。
马尔科夫过程的稳定状态
在较长时间后，马尔科夫过程逐渐处于稳定状态，且与初始状态无关。马尔科夫链达到稳定状态的概率就是稳定状态概率，也称稳定
概率。市场趋势分析中，要设法求解得到市场趋势分析对象的稳态概率，并以此做市场趋势分析。
在马尔科夫分析法的基本模型中，当X：XP时，称X是P的稳定概率，即系统达到稳定状态时的概率向量，也称X是P的固有向量或特征向量，而且它具有唯一性。
❺ 马尔可夫链运用在股票指数模型中的局限性
你最好写一下你是干啥用的，否则我觉得推荐点书就可以了，都写出来。。。也太。。。
❻ 有木有数学系的大神，能帮我解答一下:马尔科夫链可以预测的除了天气，股票，地下水位这些。还有什么呢
马尔可夫链，因安德烈·马尔可夫（A.A.Markov，1856－1922）得名，是数学中具有马尔可夫性质的离散事件随机过程。该过程中，在给定当前知识或信息的情况下，过去（即当前以前的历史状态）对于预测将来（即当前以后的未来状态）是无关的。
❼ 您好，我想问问您的一个回答的论文题目，百度知道上的问题是：（以下补充）谢谢！
摘 要 研究了沪深300指数日收益率时间序列，经检验其具有马氏性，并建立了马尔可夫链模型。取交易日分时数据，根据分时数据确定状态初始概率分布，通过一步转移概率矩阵对下一交易日的日收益率进行了预测。对该模型分析和计算，得出其为有限状态的不可约、非周期马尔可夫链，求解其平稳分布，从而得到沪深300指数日收益率概率分布。并预测了沪深300指数上涨或下跌的概率，可为投资管理提供参考。
关键词 马尔可夫链模型 沪深300指数 日收益率概率分布 平稳分布
1 引言
沪深300指数于2005年4月正式发布，其成份股为市场中市场代表性好，流动性高，交易活跃的主流投资股票，能够反映市场主流投资的收益情况。众多证券投资基金以沪深300指数为业绩基准，因此对沪深300指数收益情况研究显得尤为重要，可为投资管理提供参考。
取沪深300指数交易日收盘价计算日收益率，可按区间将日收益率分为不同的状态，则日收益率时间序列可视为状态的变化序列，从而可以尝试采用马尔可夫链模型进行处理。马尔可夫链模型在证券市场的应用已取得了不少成果。参考文献[1]、[2]、[3]和[4]的研究比较类似，均以上证综合指数的日收盘价为对象，按涨、平和跌划分状态，取得了一定的成果。但只取了40～45个交易日的数据进行分析，历史数据过少且状态划分较为粗糙。参考文献[5]和[6]以上证综合指数周价格为对象，考察指数在的所定义区间（状态）的概率，然其状态偏少（分别只有6个和5个状态），区间跨度较大，所得结果实际参考价值有限。参考文献[7]对单只股票按股票价格划分状态，也取得了一定成果。
然而收益率是证券市场研究得更多的对象。本文以沪深300指数日收益率为对考察对象进行深入研究，采用matlab7.1作为计算工具，对较多状态和历史数据进行了处理，得出了沪深300指数日收益率概率分布，并对日收益率的变化进行了预测。
2 马尔可夫链模型方法
2.1 马尔可夫链的定义
设有随机过程{Xt，t∈T}，T是离散的时间集合，即T={0，1，2，L}，其相应Xt可能取值的全体组成状态空间是离散的状态集I={i0，i1，i2，L}，若对于任意的整数t∈T和任意的i0，i1，L，it+1∈I，条件概率则称{Xt，t∈T}为马尔可夫链，简称马氏链。马尔可夫链的马氏性的数学表达式如下：
P{Xn+1=in+1|X0=i0，X1=i1，L，Xn=in}=P{Xn+1=in+1|Xn=in} （1）
2.2 系统状态概率矩阵估计
马尔可夫链模型方法的基本内容之一是系统状态的转移概率矩阵估算。估算系统状态的概率转移矩阵一般有主观概率法和统计估算法两种方法。主观概率法一般是在缺乏历史统计资料或资料不全的情况下使用。本文采用统计估算法，其主要过程如下：假定系统有m种状态S1，S2，L，Sm根据系统的状态转移的历史记录，可得到表1的统计表格。其中nij表示在考察的历史数据范围内系统由状态i一步转移到状态j的次数，以■ij表示系统由状态i一步转移到状态的转移概率估计量，则由表1的历史统计数据得到■ij的估计值和状态的转移概率矩阵P如下：
■ij=nij■nik，P=p11 K p1mM O Mpm1 L pmn（2）
2.3 马氏性检验
随机过程{Xt，t∈T}是否为马尔可夫链关键是检验其马氏性，可采用χ2统计量来检验。其步骤如下：（nij）m×m的第j列之和除以各行各列的总和所得到的值记为■.j，即：
■.j=■nij■■nik，且■ij=nij■nik（3）
当m较大时，统计量服从自由度为（m-1）2的χ2分布。选定置信度α，查表得χ2α（（m-1）2），如果■2>χ2α（（m-1）2），则可认为{Xt，t∈T}符合马氏性，否则认为不是马尔可夫链。
■2=2■■nijlog■ij■.j（4）
2.4 马尔可夫链性质
定义了状态空间和状态的转移概率矩阵P，也就构建了马尔可夫链模型。记Pt（0）为初始概率向量，PT（n）为马尔可夫链时刻的绝对概率向量，P（n）为马尔可夫链的n步转移概率矩阵，则有如下定理：
P（n）=PnPT（n）=PT（0）P（n）（5）
可对马尔可夫链的状态进行分类和状态空间分解，从而考察该马尔可夫链模型的不可约闭集、周期性和遍历性。马尔可夫链的平稳分布有定理不可约、非周期马尔可夫链是正常返的充要条件是存在平稳分布；有限状态的不可约、非周期马尔可夫链必定存在平稳过程。
3 马尔可夫链模型方法应用
3.1 观测值的描述和状态划分
取沪深300指数从2005年1月4日~2007年4月20日共555个交易日收盘价计算日收益率（未考虑分红），将日收益率乘以100并记为Ri，仍称为日收益率。计算公式为：
Ri=（Pi-Pi-1）×100/Pi-1（6）
其中，Pi为日收盘价。
沪深300指数运行比较平稳，在考察的历史数据范围内日收益率有98.38％在[-4.5，4.5]。可将此范围按0.5的间距分为18个区间，将小于-4.5和大于4.5各记1区间，共得到20个区间。根据日收益率所在区间划分为各个状态空间，即可得20个状态（见表2）。
3.2 马氏性检验
采用χ2统计量检验随机过程{Xt，t∈T}是否具有马氏性。用前述统计估算法得到频率矩阵（nij）20×20。
由（3）式和（4）式可得：■.j=■nij■■nik，且■ij=nij■nik，■2=2■■nijlog■ij■.j=446.96，令自由度为k=（m-1）2即k=361，取置信度α=0.01。由于k>45，χ2α（k）不能直接查表获得，当k充分大时，有：
χ2α（k）≈■（zα+■）2（7）
其中，zα是标准正态分布的上α分位点。查表得z0.01=2.325，故可由（1）、（7）式得，即统计量，随机过程{Xt，t∈T}符合马氏性，所得模型是马尔可夫链模型。
3.3 计算转移概率矩阵及状态一步转移
由频率矩阵（nij）20×20和（1）、（2）式得转移概率矩阵为P=（Pij）20×20。考察2007年4月20日分时交易数据（9：30~15：30共241个数据），按前述状态划分方法将分时交易数据收益率归于各状态，并记Ci为属于状态i的个数，初始概率向量PT（0）=（p1，p2，L，pt，L，p20），则：
pj=Cj/241，j=1，2，K，20（8）
下一交易日日收益率分布概率PT（0）={p1（1），p2（1），L，pi（1），L，p20（1）}，且有PT（1）-PT（0）p，计算结果如表3所示。
3.4 马尔可夫链遍历性和平稳分布
可以分析该马尔可夫链的不可约集和周期性，从而进一步考察其平稳分布，然而其分析和求解非常复杂。本文使用matlab7.1采用如下算法进行求解：将一步转移概率矩阵P做乘幂运算，当时Pn+1=Pn停止，若n>5 000亦停止运算，返回Pn和n。计算发现当n=48时达到稳定，即有P（∞）=P（48）=P48。考察矩阵P（48）易知：各行数据都相等，不存在数值为0的行和列，且任意一行的行和为1。故该马尔可夫链{Xt，t∈T}只有一个不可约集，具有遍历性，且存在平稳分布{πj，j∈I}，平稳分布为P（48）任意一行。从以上计算和分析亦可知该马尔可夫链是不可约、非周期的马尔可夫链，存在平稳分布。计算所得平稳分布如表4所示。
3.5 计算结果分析
表3、表4给出了由当日收益率统计出的初始概率向量PT（0），状态一步预测所得绝对概率向量PT（1）和日收益率平稳分布，由表3和表4综合可得图1。可以看出，虽然当日（2007年4月20日）收益率在区间（1.5，4.5）波动且在（2.5，4.5）内的概率达到了0.7261，表明在2007年4月20日，日收益率较高（实际收盘时，日收益率为4.41），但其下一交易日和从长远来看其日收益率概率分布依然可能在每个区间。这是显然的，因为日收益率是随机波动的。
对下一交易日收益率预测（PT（1）），发现在下一交易日收益率小于0的概率为0.4729，大于0的概率为0.5271，即下一交易日收益率大于0的概率相对较高，其中在区间（-2，-1.5）、（0.5，1）和（1，1.5）概率0.2675、0.161和0.1091依次排前三位，也说明下一交易日收益率在（-2，-1.5）的概率会比较高，有一定的风险。
从日收益率长远情况（平稳分布）来看，其分布类似正态分布但有正的偏度，说明其极具投资潜力。日收益率小于0的概率为0.4107，大于0的概率为0.5893，即日收益率大于0的概率相当的高于其小于0的概率。
4 结语
采用马尔可夫链模型方法可以依据某一交易日收益率情况向对下一交易日进行预测，也可得到从长远来看其日收益率的概率分布，定量描述了日收益率。通过对沪深300指数日收益率分析和计算，求得沪深300指数日收益率的概率分布，发现沪深300指数日收益率大于0的概率相对较大（从长远看，达到了0.5893，若考虑分红此概率还会变大），长期看来沪深300指数表现乐观。若以沪深300指数构建指数基金再加以调整，可望获得较好的回报。
笔者亦采用范围（-5，5）、状态区间间距为1和范围（-6，6）、状态区间间距为2进行运算，其所得结果类似。当采用更大的范围（如-10，10等）和不同的区间大小进行运算，计算发现若状态划分过多，所得模型不易通过马氏性检验，如何更合理的划分状态使得到的结果更精确是下一步的研究之一。在后续的工作中，采用ANN考察所得的日收益率预测和实际日收益率的关系也是重要的研究内容。马尔可夫链模型方法也可对上证指数和深证成指数进行类似分析。
参考文献
1 关丽娟，赵鸣.沪综指走势的马尔可夫链模型预测[J].山东行政学院，山东省经济管理干部学院学报，2005（4）
2 陈奕余.基于马尔可夫链模型的我国股票指数研究[J].商场现代化（学术研讨），2005（2）
3 肖泽磊，卢悉早.基于马尔可夫链系统的上证指数探讨[J].科技创业月刊，2005（9）
4 边廷亮，张洁.运用马尔可夫链模型预测沪综合指数[J].统计与决策，2004（6）
5 侯永建，周浩.证券市场的随机过程方法预测[J].商业研究，2003（2）
6 王新蕾.股指马氏性的检验和预测[J].统计与决策，2005（8）
7 张宇山，廖芹.马尔可夫链在股市分析中的若干应用[J].华南理工大学学报（自然科学版），2003（7）
8 冯文权.经济预测与决策技术[M].武汉：武汉大学出版社，2002
9 刘次华.随机过程[M].武汉：华中科技大学出版社，2001
10 盛千聚.概率论与数理统计[M].北京：高等教育出版社.1989转
❽ 加权马尔科夫链是什么原理
由于每个时段的股票价格序列是一列相依的随机变量，各阶自相关系数刻画了各种滞时(各个时段)的股票价格之间的相关关系的强弱。因此，可考虑先分别依其前面若干时段的股票价格(对应的状态)对该时间段股票价格的状态进行预测，然后，按前面各时段与该时段相依关系的强弱加权求和来进行预测和综合分析，即可以达到充分、合理地利用历史数据进行预测的目的，而且经这样分析之后确定的投资策略也应该是更加合理的。这就是加权马尔可夫链预测的基本思想。