原文鏈接：http://tecdat.cn/?p=12280
總覽
本文簡要介紹了一種簡單的狀態切換模型，該模型構成了隱馬爾可夫模型（HMM）的特例。這些模型適應時間序列數據中的非平穩性。從應用的角度來看，這些模型在評估經濟/市場狀態時非常有用。這里的討論主要圍繞使用這些模型的科學性。
基本案例
HMM的主要挑戰是預測隱藏部分。我們如何識別“不可觀察”的事物？HMM的想法是從可觀察的事物來預測潛在的事物。
模擬數據
為了演示，我們准備一些數據並嘗試進行反向推測。通過構造，我強加了一些假設來創建我們的數據。每個狀態都具有不同的均值和波動率。
library(knitr)
library(kableExtra)
library(dplyr)
theta_v <- data.frame(t(c(2.00,-2.00,1.00,2.00,0.95,0.85)))
names(theta_v) <- c("$\\mu_1$","$\\mu_2$","$\\sigma_1$","$\\sigma_2$","$p_{11}$","$p_{22}$")
kable(theta_v, "html", booktabs = F,escape = F) %>%
kable_styling(position = "center")
| \（\ mu_1 \） | \（\ mu_2 \） | \（\ sigma_1 \） | \（\ sigma_2 \） | \（p_ {11} \） | \（p_ {22} \） |
|---|---|---|---|---|---|
| 2 | -2 | 1個 | 2 | 0.95 | 0.85 |
如上表所示，狀態\（s = 2 \）變成“壞”狀態，其中過程\（x_t \）表現出較高的變化性。 因此，停留在狀態2的可能比停留在狀態1的可能性小。
馬爾可夫過程
為了模擬過程\（x_t \），我們從模擬馬爾可夫過程\（s_t \）開始。為了模擬\（T \）期間的過程，首先，我們需要構建給定\（p_ {11} \）和\（p_ {22} \）的轉換矩陣。其次，我們需要從給定狀態\（s_1 = 1 \）開始。從\（s_1 = 1 \）開始，我們知道有95％的概率停留在狀態1，有5％的概率進入狀態2。
p11 <- theta_v[1,5]
p22 <- theta_v[1,6]
P <- matrix(c(p11,1-p22,1-p11,p22),2,2)
P[1,]## [1] 0.95 0.05模擬\（s_t \）是遞歸的，因為它先前先前的狀態。因此，我們需要構造一個循環：
set.seed(13)
T_end <- 10^2
s0 <- 1
st <- function(i) sample(1:2,1,prob = P[i,])
s <- st(s0)
for(t in 2:T_end) {
s <- c(s,st(s[t-1]))
}
plot(s, pch = 20,cex = 0.5)
上圖說明了過程\（s_t \）的持久性。在大多數情況下，狀態1的“實現”多於狀態2。實際上，這可以由固定概率確定，該固定概率由下式表示：
P_stat[1,]## [1] 0.75 0.25因此，經歷時間的流逝，有15％的概率處於1狀態，而有25％的概率處於狀態2。這應該反映在模擬過程中 s，從而
mean(s==1)## [1] 0.69由於我們使用的是100個周期的小樣本，因此我們觀察到穩定概率為69％，接近但不完全等於75％。
結果
給定模擬的馬爾可夫過程，結果過程的模擬非常簡單。一個簡單的技巧是模擬\（x_t \ mid s_t = 1 \）的\（T \）周期和\ （x_t \ mid s_t = 2 \）的\（T \）周期。然后，給定\（s_t \）的模擬，我們針對每個狀態創建結果變量\（x_t \）。
plot(x~t_index, pch = 20)
points(x[s == 2]~t_index[s==2],col = 2)
雖然總體而言時間序列看起來是平穩的，但我們觀察到一些周期（以紅色突出顯示）顯示出較高的波動。有人可能會建議說，數據存在結構性中斷，或者體制發生了變化，過程\（x_t \）變得越來越大，帶有更多的負值。雖然如此，事后解釋總是比較容易的。主要的挑戰是識別這種情況。
估計參數
在本節中，我將使用R軟件手動（從頭開始）和非手動進行統計分解。在前者中，我將演示如何構造似然函數，然后使用約束優化問題來估計參數。我將說明如何在不經歷解析推導的情況下進行復制。
似然函數-數值部分
首先，我們需要創建一個以\（\ Theta \）向量為主要輸入的函數。其次，我們需要設置一個返回MLE的優化問題。
在優化似然函數之前。讓我們看一下工作原理。假設我們知道參數\（\ Theta \）的向量，並且我們有興趣使用\（x_t \）上的數據評估隱藏狀態隨時間的變化。
| \（t \） | \（\ xi_ {t \ mid t，1} \） | \（\ xi_ {t \ mid t，2} \） |
|---|---|---|
| 1 | 0.878 | 0.122 |
| 2 | 0.982 | 0.018 |
| 3 | 0.887 | 0.113 |
| 4 | 0.875 | 0.125 |
| 5 | 0.318 | 0.682 |
| 6 | 0.000 | 1.000 |
顯然，這兩種狀態的每次過濾器的總和應為1。看起來，我們可以處於狀態1或狀態2。
all(round(apply(Filter[,-1],1,sum),9) == 1)## [1] TRUE由於我們設計了此數據，因此我們知道狀態2的時期。
plot(Filter[,3]~t_index, type = "l", ylab = expression(xi[2]))
points(Filter[s==2,3]~t_index[s==2],pch = 20, col = 2)
過濾器背后的優點是僅使用\（x_t \）上的信息來識別潛在狀態。我們觀察到，狀態2的過濾器主要在狀態2發生時增加。這可以通過發出紅點的概率增加來證明，紅點表示狀態2發生的時間段。盡管如此，上述還是存在一些重大問題。首先，它假定我們知道參數\（\ Theta \），而實際上我們需要對此進行估計，然后在此基礎上進行推斷。其次，所有這些都是在樣本中構造的。從實際的角度來看，決策者對預測的概率及其對未來投資的影響感興趣。
手動估算
為了優化上面定義的 HMM_Lik 功能，我將需要執行兩個附加步驟。首先是建立一個初始估計值，作為搜索算法的起點。其次，我們需要設置約束條件以驗證估計的參數是否一致，即非負波動性和介於0和1之間的概率值。
第一步，我使用樣本創建初始參數向量\（\ Theta_0 \）
在第二步中，我為估算制定了約束
請注意，參數的初始向量應滿足約束條件
all(A%*%theta0 >= B)## [1] TRUE最后，回想一下，通過構建大多數優化算法都可以搜索最小點。因此，我們需要將似然函數的輸出更改為負值。
## $par
## [1] 1.7119528 -1.9981224 0.8345350 2.2183230 0.9365507 0.8487511
##
## $value
## [1] 174.7445
##
## $counts
## function gradient
## 1002 NA
##
## $convergence
## [1] 0
##
## $message
## NULL
##
## $outer.iterations
## [1] 3
##
## $barrier.value
## [1] 6.538295e-05為了檢查MLE值是否與真實參數一致，我們繪制估計值與真實值的關系圖：
plot(opt$par ~ theta_known,pch = 20,cex=2,ylab="MLE",xlab = "True")
abline(a=0,b=1,lty=2) 
總體而言，我們觀察到估計值非常一致，由於MLE的一致性屬性，這不足為奇。
估算
我將在下面演示如何使用r軟件復制人工估算的結果 。
如果我們要忽略過程中的任何體制轉換，我們可以簡單地將參數\（\ mu \）和\（\ sigma \）估計為
kable(mod_est, "html", booktabs = F,escape = F) %>%
kable_styling(position = "center")| \（\ hat {\ mu} \） | \（\ hat {\ sigma} \） |
|---|---|
| 0.6244574 | 2.198929 |
平均而言，我們應該期望過程平均值約為1，即\（0.75 \ times 2 + 0.25 \ times（-1）= 1 \）。這是由總期望屬性定律得出的，其中我們知道\ [\ begin {equation} \ mathbb {E} [x] = \ sum _ {\ forall s} \ mathbb {E} \ left [x \ mid s \右] \ mathbb {P}（s）= \ sum _ {\ forall s} \ mu_ {s} \ pi_ {s} \ end {equation} \]
這樣
EX <- 0.75*2 + 0.25*-2
EX## [1] 1對於波動率，適用相同的邏輯。
EX2 <- (2^2 + 1^2)*0.75 + ((-2)^2 + 2^2)*0.25
VX <- EX2 - EX^2
sqrt(VX)## [1] 2.179449我們注意到，回歸估計值與波動率的一致性高於均值。這主要是由於估算第一時刻與第二時刻的工作比較繁瑣。
上面的觀點是，估計值並未涵蓋數據的真實性質。如果我們假設數據是固定的，那么我們錯誤地估計過程的平均值為62％。但是，與此同時，我們通過構造知道該過程表現出兩個平均結果-一個正面和一個負面。波動性也是如此。
為了揭示這些模式，我們在下面演示如何使用上面的線性模型部署狀態切換模型：
主要輸入是擬合模型， mod我們將其歸納為適應切換狀態。第二個 k是制度的數量。由於我們知道我們要處理兩個狀態，因此將其設置為2。但是，實際上，需要參考一種信息標准來確定最佳狀態數。根據定義，我們有兩個參數，均值\（\ mu_s \）和波動率\（\ sigma_s \）。因此，我們添加一個true / false向量來指示正在切換的參數。在上面的命令中，我們允許兩個參數都切換。最后，我們可以指定估計過程是否正在使用並行計算進行。
要了解模型的輸出，讓我們看一下
## Markov Switching Model
##
##
## AIC BIC logLik
## 352.2843 366.705 -174.1422
##
## Coefficients:
## (Intercept)(S) Std(S)
## Model 1 1.711693 0.8346013
## Model 2 -2.004137 2.2155742
##
## Transition probabilities:
## Regime 1 Regime 2
## Regime 1 0.93767719 0.1510052
## Regime 2 0.06232281 0.8489948上面的輸出主要報告我們嘗試手動估算的六個估算參數。首先，系數表報告了每個狀態的均值和波幅。模型1的平均值為1.71，波動率接近1。模型2的平均值為-2，波動率約為2。顯然，該模型針對數據確定了兩種具有不同均值和波動率的不同狀態。其次，在輸出的底部，擬合的模型報告過渡概率。
plot(opt$par ~ theta_known,pch = 20,cex=2,ylab="MLE",xlab = "True")
points(theta_mswm~theta_known,pch = 1,col = 2, cex = 2,lwd = 2)
abline(a=0,b=1,lty=2)
legend("topleft",c("Manual","MSwM"), pch = c(20,1), col = 1:2)
有趣的是，就每種狀態的過濾器而言，我們將從包中檢索到的狀態與手動提取的狀態進行比較。根據定義，可以使用mod.mswm 對象上的圖函數 來了解平滑概率以及確定的方案。
par(mar = 2*c(1,1,1,1),mfrow = c(2,1))
plotProb(mod.mswm,2) 
頂部的圖表示隨時間變化的過程\（x_t \），其中灰色陰影區域表示\（\ hat {\ xi} _ {T \ mid t，1}> 0.5 \）的時間段。換句話說，灰色區域表示狀態1占優勢的時間段。
plot(x~t_index,type ="l",col = 0,xlim=c(1,100))
rect(xx-1,-10,xx,10,col = "lightgray",lty = 0)
lines(x~t_index)
points(x[s==2] ~ t_index[s==2],col = 1,pch = 20) 
過濾器會在一個周期內檢測到第二種狀態。發生這種情況是因為 plotProb 在這種情況下，返回的是平滑概率，即在實現整個樣本\（T \）后處於每種狀態的概率，即\（\ hat {\ xi} _ {t \ mid T，1} \ ）。另一方面，來自手動估計的一個對應於推斷概率\（\ hat {\ xi} _ {t \ mid t，1} \）。
無論如何，由於我們知道狀態的真實值，因此可以確定我們是否處於真實狀態。我們在上面的圖中使用黑點突出顯示狀態2。總的來說，我們觀察到模型在檢測數據狀態方面表現非常出色。唯一的例外是第60天，其中推斷概率大於50％。要查看推理概率多長時間正確一次，我們運行以下命令
mean(Filter$Regime_1 == (s==1)*1)## [1] 0.96結束語
此過程似乎運行良好。然而，在實際數據實現方面仍然存在許多挑戰。首先，我們不具備有關數據生成過程的知識。其次，狀態不一定實現。因此，這兩個問題可能會破壞狀態切換模式的可靠性。在應用方面，通常部署此類模型以評估經濟或市場狀況。從決策上來說，這也可以為策略分配提供有趣的應用。