隱馬爾可夫股票

A. 隱馬爾可夫模型的基本演算法

針對以下三個問題，人們提出了相應的演算法
*1 評估問題： 前向演算法
*2 解碼問題： Viterbi演算法
*3 學習問題： Baum-Welch演算法(向前向後演算法)

B. 如何用簡單易懂的例子解釋隱馬爾可夫模型

隱馬爾可夫（HMM）好講，簡單易懂不好講。我認為 @者也的回答沒什麼錯誤，不過我想說個更通俗易懂的例子。
還是用最經典的例子，擲骰子。假設我手裡有三個不同的骰子。第一個骰子是我們平常見的骰子（稱這個骰子為D6），6個面，每個面（1，2，3，4，5，6）出現的概率是1/6。第二個骰子是個四面體（稱這個骰子為D4），每個面（1，2，3，4）出現的概率是1/4。第三個骰子有八個面（稱這個骰子為D8），每個面（1，2，3，4，5，6，7，8）出現的概率是1/8。

假設我們開始擲骰子，我們先從三個骰子里挑一個，挑到每一個骰子的概率都是1/3。然後我們擲骰子，得到一個數字，1，2，3，4，5，6，7，8中的一個。
不停的重復上述過程，我們會得到一串數字，每個數字都是1，2，3，4，5，6，7，8中的一個。例如我們可能得到這么一串數字（擲骰子10次）：1 6 3 5 2 7 3 5 2 4
這串數字叫做可見量鏈。但是在隱馬爾可夫模型中，我們不僅僅有這么一串可見量鏈，還有一串隱含量鏈。在這個例子里，這串隱含變數鏈就是你用的骰子的序列。比如，隱含量鏈有可能是：D6 D8 D8 D6 D4 D8 D6 D6 D4 D8
一般來說，HMM中說到的馬爾可夫鏈其實是指隱含量鏈，因為隱含量（骰子）之間存在轉換概率的。在我們這個例子里，D6的下一個狀態是D4，D6，D8的概率都是1/3。D4，D8的下一個狀態是D4，D6，D8的轉換概率也都一樣是1/3。這樣設定是為了最開始容易說清楚，但是我們其實是可以隨意設定轉換概率，或者轉換概率分布的。比如，我們可以這樣定義，D6後面不能接D4，D6後面是D6的概率是0.9，是D8的概率是0.1。這樣就是一個新的HMM。
同樣的，盡管可見量之間沒有轉換概率，但是隱含量和可見量之間有一個概率叫做emission probability（發射概率？沒見過中文怎麼說的。。。）。對於我們的例子來說，六面骰（D6）產生1的emission probability是1/6。產生2，3，4，5，6的概率也都是1/6。我們同樣可以對emission probability進行其他定義。比如，我有一個被賭場動過手腳的六面骰子，擲出來是1的概率更大，是1/2，擲出來是2，3，4，5，6的概率是1/10。

C. 關於隱馬爾可夫模型（HMM）的訓練問題

我使用過HMM，不過僅限於語音識別。我就在語音識別的領域跟你說一下吧。

UMDHMM我沒怎麼看過，HMM相關代碼我是自己寫的。

HMM中涉及的是「觀察值」和「隱藏狀態」。你說的「觀察狀態」應該是指「觀察值」吧

對於第一個疑問，
看描述的樣子，1，2應該是代表「隱藏狀態」。
假設某個語音單元代表的最佳狀態是1 1 2 2 3 4 5 5 5 5 6 （不考慮非發散狀態）； 其中1->1是一次狀態轉移；1->2是另一次狀態轉移；2->是又一次狀態轉移；依次類推。這樣這個語音單元共發生了10次狀態轉移；
對於第一個疑問的後半部分，我看不懂你想說什麼

對於第二個疑問，好像你對HMM的基本概念還不是很了解。
一般情況下，一個觀察值就對應一個狀態；

D. 隱馬爾可夫模型的基本概述

一種HMM可以呈現為最簡單的動態貝葉斯網路。隱馬爾可夫模型背後的數學是由LEBaum和他的同事開發的。它與早期由RuslanL.Stratonovich提出的最優非線性濾波問題息息相關，他是第一個提出前後過程這個概念的。
在簡單的馬爾可夫模型（如馬爾可夫鏈），所述狀態是直接可見的觀察者，因此狀態轉移概率是唯一的參數。在隱馬爾可夫模型中，狀態是不直接可見的，但輸出依賴於該狀態下，是可見的。每個狀態通過可能的輸出記號有了可能的概率分布。因此，通過一個HMM產生標記序列提供了有關狀態的一些序列的信息。注意，「隱藏」指的是，該模型經其傳遞的狀態序列，而不是模型的參數；即使這些參數是精確已知的，我們仍把該模型稱為一個「隱藏」的馬爾可夫模型。隱馬爾可夫模型以它在時間上的模式識別所知，如語音，手寫，手勢識別，詞類的標記，樂譜，局部放電和生物信息學應用。
隱馬爾可夫模型可以被認為是一個概括的混合模型中的隱藏變數（或變數），它控制的混合成分被選擇為每個觀察，通過馬爾可夫過程而不是相互獨立相關。最近，隱馬爾可夫模型已推廣到兩兩馬爾可夫模型和三重態馬爾可夫模型，允許更復雜的數據結構的考慮和非平穩數據建模。

E. 關於隱馬爾可夫的問題

正解：1班35號
或6班班花

F. 如何通過隱馬爾科夫模型來預測股票價格

馬爾科夫預測模型它的前提條件是，在各個期間或者狀態時，變數面臨的下一個期間或者狀態的轉移概率都是一樣的、不隨時間變化的。一旦轉移概率有所變化，Markov模型必須改變轉移概率矩陣的參數，否則，預測的結果將會有很大的偏差。 隨機過程中，

G. 條件隨機場和隱馬爾科夫模型最大區別在哪裡

1、實際分析中，往往需要知道經過一段時間後，市場趨勢分析對象可能處於的狀態，這就要求建立一個能反映變化規律的數學模型。馬爾科夫市場趨勢分析模型是利用概率建立一種隨機型的時序模型，並用於進行市場趨勢分析的方法。
馬爾科夫分析法的基本模型為： X(k+1)=X(k)×P
公式中：X(k)表示趨勢分析與預測對象在t=k時刻的狀態向量，P表示一步轉移概率矩陣，
X(k+1)表示趨勢分析與預測對象在t=k+1時刻的狀態向量。
必須指出的是，上述模型只適用於具有馬爾科夫性的時間序列，並且各時刻的狀態轉移概率保持穩定。若時間序列的狀態轉移概率隨不同的時刻在變化，不宜用此方法。由於實際的客觀事物很難長期保持同一狀態的轉移概率，故此法一般適用於短期的趨勢分析與預測。
2、馬爾科夫模型：是用來預測具有等時間隔（如一年）的時刻點上各類人員的分布狀況。馬爾科夫模型的基本思想是：找出過去人事變動的規律，以此來推測未來的人事變動趨勢。
馬爾科夫模型：是根據歷史數據，預測等時間間隔點上的各類人員分布狀況。此方法的基本思想上根據過去人員變動的規律，推測未來人員變動的趨勢。步驟如下：
①根據歷史數據推算各類人員的轉移率，遷出轉移率的轉移矩陣；
②統計作為初始時刻點的各類人員分布狀況；
③建立馬爾科夫模型，預測未來各類人員供給狀況。