iT邦幫忙

2023 iThome 鐵人賽

DAY 24
0
AI & Data

量化交易與機器學習系列 第 24

統計跳躍模型(Statistical Jump Model)

  • 分享至 

  • xImage
  •  

制度驅動模型(Regime-Driven Models)因其能夠捕捉宏觀經濟變數動態的突然變化而受到歡迎。

跳躍模型可以用以學習具有高持久性的狀態,基於叢聚時間特徵,同時明確懲罰跨狀態的跳躍。

模型可用於將時間序列資料劃分為不同的狀態,其中每個狀態代表一段相對同質的行為。
例如:代表經濟週期的不同階段,低波動性或高波動性時期,以及牛市或熊市。

制度驅動模型(Regime-Driven Models)能夠進行回顧性解釋。
實現事前即時預測,為決策提供有價值的見解。

隱藏式馬可夫模型(Hidden Markov Model, HMM)

每個時間序列觀察值取決於特定時間的隱藏(Hidden)狀態變量。
並且在給定當前隱藏狀態的情況下獨立於過去和未來的隱藏狀態。

在時間序列分析中 HMM 有著重要的應用,包括回報建模、利率、高頻交易和衍生性商品定價。
多個隱藏狀態的存在允許每個觀測值的邊際分佈成為混合模型。
從而與常態分佈等參數分佈族相比提供了更大的靈活性。
隱藏狀態序列的馬可夫結構能夠在一定程度上捕捉突變和狀態持續。
HMM 及其變體已證明能夠重現財務情況:肥尾、波動性叢集、偏度和時變相關性。

由於條件分佈和停留時間分佈的模型指定問題,HMM 通常要面對現實世界帶來的許多挑戰。
例如:低信噪比、高持久性和製度之間的不平衡。
通常需要具有不切實際的長期歷史的時間序列,以便估計方法獲得令人滿意的統計精度。

  • 最大似然估計(MLE)
    由於隱藏狀態變數積分所產生的非凹性,似然函數的基於梯度的最佳化在計算上很困難。
  • Baum-Welch 演算法
    被認為是期望最大化(EM)演算法的特化,僅保證收斂到局部最優。
  • 奇異值分解(Singular Value Decomposition, SVD)演算法
    考慮到局部最優可能不對應於似然函數的全局最大值。
    該演算法是專門為具有大量隱藏狀態的 HMM 設計的。

跳躍模型

透過將叢聚演算法應用於中的時間特徵集來解決這個問題。

  • 跳躍懲罰
    透過固定成本正則化,經過校準以達到所需的持久性水平。
    它平衡了資料與狀態序列持久性的先前假設的擬合。

跳躍模型的表現優於 MLE,特別是在狀態表現出高持久性的情況下。
跳躍模型的估計通常使用座標下降法來執行。

  • 混合整數規劃(MIP)
    該方法有效地緩解了局部最優問題,並允許整合附加約束,從而改進了跳躍模型的估計。
  • 稀疏統計跳躍模型(SJM)
    利用高維特徵空間中的狀態切換模型擴充來有效降維。
    整合到現有的跳躍模型中,用於同時執行特徵選擇、參數估計和狀態分類。

上一篇
投資組合優化(Investment Portfolio Optimization)
下一篇
選擇權(Options)策略
系列文
量化交易與機器學習30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言