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。
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。
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。