原文链接：http://tecdat.cn/?p=12187

金融分析师通常关心检测市场何时“发生变化”：几个月或至几年内市场的典型行为可以立即转变为非常不同的行为。投资者希望及时发现这些变化，以便可以相应地调整其策略，但是这样做可能很困难。

RHmm从CRAN不再可用，因此我想使用其他软件包复制功能实现马尔可夫区制转移(Markov regime switching)模型从而对典型的市场行为进行预测，并且增加模型中对参数的线性约束功能。

 

1. 


2. load.packages('quantmod')

3. y=returns

4. ResFit = HMM(y, nStates=2)

DimObs = 1

1. matplot(fb$Gamma, type='l', main='Smoothed Probabilities', ylab='Probability')

2. legend(x='topright', c('State1','State2'),  fill=1:2, bty='n')

 

 

1. 


2. fm2 = fit(mod, verbose = FALSE)

使用logLik在迭代69处收敛：125.6168

 

1. probs = posterior(fm2)

2. 


3. layout(1:2)

4. plot(probs$state, type='s', main='Implied States', xlab='', ylab='State')

5. 


6. matplot(probs[,-1], type='l', main='Probabilities', ylab='Probability')

7. legend(x='topright', c('State1','State2'),  fill=1:2, bty='n')

 

1. #*****************************************************************

2. # ＃添加一些数据，看看模型是否能够识别状态

1. #******************************************************************

2. bear2  = rnorm( 100, -0.01, 0.20 )

3. bull3 = rnorm( 100, 0.10, 0.10 )

4. bear3  = rnorm( 100, -0.01, 0.25 )

5. true.states = c(true.states, rep(2,100),rep(1,100),rep(2,100))

6. y = c( bull1, bear,  bull2, bear2, bull3, bear3 )

7. 
   

DimObs = 1

1. 


2. plot(data, type='h', x.highlight=T)

3. plota.legend('Returns + Detected Regimes')

 

1. #*****************************************************************

2. # 加载历史价格

3. #******************************************************************

4. data = env()

5. getSymbols('SPY', src = 'yahoo', from = '1970-01-01', env = data, auto.assign = T)

6. 


7. price = Cl(data$SPY)

8. open = Op(data$SPY)

9. ret = diff(log(price))

10. ret = log(price) - log(open)

11. 


12. atr = ATR(HLC(data$SPY))[,'atr']

13. 


14. fm2 = fit(mod, verbose = FALSE)

使用logLik在迭代30处收敛：18358.98

print(summary(fm2))

 

1. Initial state probabilties model pr1 pr2 pr3 pr4 0 0 1 0

2. 


3. Transition matrix toS1 toS2 toS3 toS4 fromS1 9.821940e-01 1.629595e-02 1.510069e-03 8.514403e-45 fromS2 1.167011e-02 9.790209e-01 8.775478e-68 9.308946e-03 fromS3 3.266616e-03 8.586650e-47 9.967334e-01 1.350529e-69 fromS4 3.608394e-65 1.047516e-02 1.922545e-130 9.895248e-01

4. 


5. Response parameters Resp 1 : gaussian Resp 2 : gaussian Re1.(Intercept) Re1.sd Re2.(Intercept) Re2.sd St1 2.897594e-04 0.006285514 1.1647547 0.1181514 St2 -6.980187e-05 0.008186433 1.6554049 0.1871963 St3 2.134584e-04 0.005694483 0.4537498 0.1564576 St4 -4.459161e-04 0.015419207 2.7558362 0.7297283

6. 


7. Re1.(Intercept) Re1.sd Re2.(Intercept) Re2.sd

8. St1 0.000289759401378951 0.00628551404616354 1.16475474419891 0.118151350440916

9. St2 -6.98018749098021e-05 0.00818643307634358 1.65540488736983 0.187196307284941

10. St3 0.000213458358141314 0.00569448330115608 0.453749781945066 0.156457606460757

11. St4 -0.00044591612667264 0.0154192070819596 2.75583620018895 0.72972830143278

 

1. probs = posterior(fm2)

2. 


3. print(head(probs))

1. rownames(x) state S1 S2 S3 S4

2. 1 3 0 0 1 0

3. 2 3 0 0 1 0

4. 3 3 0 0 1 0

5. 4 3 0 0 1 0

6. 5 3 0 0 1 0

7. 6 3 0 0 1 0

 

 

1. layout(1:3)

2. plota(temp, type='l', col='darkred')

3. plota.legend('Market Regimes', 'darkred')

 

layout(1:4)

最受欢迎的见解

1.用R语言模拟混合制排队随机服务排队系统

2.R语言中使用排队论预测等待时间

3.R语言中实现马尔可夫链蒙特卡罗MCMC模型

4.R语言中的马尔科夫机制转换(Markov regime switching)模型

5.matlab贝叶斯隐马尔可夫hmm模型

6.用R语言模拟混合制排队随机服务排队系统

7.Python基于粒子群优化的投资组合优化

8.R语言马尔可夫转换模型研究交通伤亡人数事故预测

9.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用