㈠ 鞅过程与马尔科夫过程的关系
鞅和马尔可夫过程没有包含的关系。因为鞅代表的是公平游戏，而马尔可夫过程侧重过程无记忆性。两者没有内在联系。
鞅（martingale）：如果随机过程X(t)满足对任意的s<t，都满足，则称为鞅。
直观上而言，已知鞅过程在某一时刻的值时，其任意之后时刻的条件期望为这一时刻的值。从赌徒的角度来看，它是一个公平的游戏。
举例而言，如果我们在玩摇骰子比大小的游戏，每一轮输家要给赢家一元钱。假设游戏公平，在第十局结束后，你已经发现自己赢了4元，在十一局时，由于游戏的公平性，你有一半几率赢一元，也有一半几率输一元。此时你在第十一局结束后收益的条件期望为4元。甚至，在第二十局时你收益的期望依然是4元。从第十局以后，无论局数为多少，你的条件期望都会等于在第十局的收益。此时你的收益就是一个鞅过程。
马尔可夫过程（Markov Process）：如果随机过程X(n)满足对任意时刻，给过去全部经历的路程，其分布与给最近一点的位置相同，即。
直观上而言，如果我要研究一个马尔可夫过程未来的发展，你给我这个过程经历的路程与给我你最后观察到的点的位置是等价的，即拥有路程并不能带来更多的信息。这或许有点难以理解，但如果你假设股票的价格是马尔可夫过程，那么你做决策仅仅在乎此时的股票价格而不会在乎股票整体的走势。这说明，马尔可夫过程侧重于过程的无记忆性。
举例而言，小红家住在10楼，她可以坐电梯或者走楼梯下楼。但是楼梯口某个位置特别暗，有可能会在那栽跟头。如果我们假设这是个马尔可夫过程，当我们观察到小红今天走楼梯下楼时，我们就会说小红今天有几率p在那边摔倒，此时摔倒的几率为一个常数。转而言之，我们并不在乎小红走过多少次楼梯口，我们假设她永远不会从上次的摔倒中学习。也就是说，小红在楼梯口摔了一次与摔了十次后，只要观察到她走楼梯，她就有相同的机会在同样的地方栽跟头。
对于布朗运动而言，其既是鞅又是马尔可夫过程。
由于布朗运动的增量独立且均值为0的特性，（即与独立且均值为0）。我们很容易证明布朗运动即是鞅又是马尔可夫过程。但对于一般的情形，鞅与马尔可夫过程并没有更多相关性。究其原因，是因为两者的侧重点不同，鞅侧重公平性，而马尔可夫过程侧重无记忆性。这两者并无联系。
两者无包含关系举例。
是马尔可夫却不是鞅的过程：带飘移的布朗运动：。此时无记忆性并不违背，因为与都具有独立增量，因此知道路径并不会比知道最近的点要优越。但是这个过程却不是鞅，因为它并不公平。由于飘移项的引入，其均值会一直增大，在赌博中，如果你的期望收益一直变大，那这个游戏一定不会是公平的。因此，这个过程是马尔可夫却不是鞅。
是鞅却不是马尔可夫的过程：过程相关的Ito积分：。此时在t时刻的增量会是与过去所有路径的积分相关的随机变量。此时仅仅知道最近一点的观察值不足以给出很好的预测，我们需要知道全部的路程。但这个过程却会是鞅，因为每一个增量都可以表示成路径和布朗运动增量的和，而布朗运动均值为零，故其增量会为零，不违背鞅的性质。因此，这个过程是鞅而不是马尔可夫。
㈡ 如何利用经济学理论解释股票市场的价格波动
有多种经济学理论可以用来解释股票市场的价格波动，以下是其中几种：
1.有效市场假说：有效市场假说认为在一个信息透明、交易成本低廉的市场中，股票价格已经反映了所有可得到的信息，因此价格波动通常是由新信息的出现引起的，而且这些信息是随机分布的，无法预测。
2.行为金融学：行为金融学研究人们在投资决策中所表现出来的心理和行为模式。它认为股仿迹票市场的价格波动不仅受到基本面因素的影响，还受到投资者的情感和心理因素的影响，例如投资者的过度自信、风险厌恶和羊群效应等。
3.资本资产备念定价模型（CAPM）：CAPM认为股票价格的波动源于市场总体仿大困回报率的变化，也就是市场风险溢价的变化。当市场风险溢价增加时，股票价格下跌；当市场风险溢价减少时，股票价格上涨。
需要注意的是，以上理论只是解释股票价格波动的一部分原因，实际上股票价格波动是一个复杂的过程，受到多种因素的影响，包括政治、经济、社会等因素。
㈢ 01 隐马尔可夫模型 - 马尔可夫链、HMM参数和性质
先直白得讲性质： 当前的状态只和上一时刻有关，在上一时刻之前的任何状态都和我无关。我们称其 符合 马尔可夫性质。
下面是理论化的阐述：
设{X(t), t ∈ T}是一个 随机过程 ，E为其状态空间，若对于任意的t1<t2< ...<tn<t，任意的x1,x2,...,xn,x∈E，随机变量X(t)在已知变量X(t1)=x1,...,X(tn)=xn之下的条件分布函数只与X(tn)=xn有关，而与X(t1)=x1,...,X(tn-1)=xn-1无关，即条件分布函数 满足 下列等式，此性质称为 马尔可夫性 ；如果随机过程 满足 马尔可夫性，则该过程称为马尔可夫过程。
马尔可夫链 是指具有马尔可夫性质的随机过程。在过程中，在给定当前信息的情况下，过去的信息状态对于预测将来 状态 是无关的。
例子： 在今天这个时间点而言，过去的股价走势对我预测未来的股价是毫无帮助的。
PS：上面马尔可夫链中提到的 状态 ，在本例指的是 股价 。
在马尔可夫链的每一步，系统根据 概率分布 ，可以从一个状态变成另外一个状态，也可以保持当前状态不变。状态的改变叫做 转移 ，状态改变的相关概率叫做 转移概率 。
例子： 当前时间状态下的股价，可以转变成下一时刻的股价，股价的转变即 状态的改变 。这个状态现在可以上升(股价提高)，状态也可以下降。我可以根据当前股票的价格去决定下一刻股价上升、下降、不变的概率。这种股价变动的概率称为 状态转移概率 。
马尔可夫链中的 三元素是 ：状态空间S、转移概率矩阵P、初始概率分布π。
1、状态空间S - 例： S是一个集合，包含所有的状态 S 股价 ={高，中，低} ；
2、初始概率分布π - 例：
股价刚发行的时候有一个初始价格，我们认为初始价格为高的概率为50%，初始价格为中的概率是30%，初始价格为低的概率是20%。我们记股票价格的初始概率分布为：π=(0.5，0.3，0.2)；对应状态：(高、中、低)； 初始概率分布是一个向量 ，如果有n个状态，π是n维向量。
3、转移概率矩阵P - 例：
现在有个股价为中，下一个时刻状态转变的可能性有三种，中→高、中→低、中→中；将三种转变的概率。此外当前时刻也有股票的价格属于低，对应的转变可能包括低→高、低→低、低→中；即每种状态都有可能转变成其他的状态，若一共有n个状态，形成的 转移概率矩阵 应该是n×n阶矩阵。这里需要注意的是，股价从高→低，和低→高的概率是不同的。
设将天气状态分为晴、阴、雨三种状态，假定某天的天气状态只和上一天的天气状态有关，状态使用1(晴)、2(阴)、3(雨)表示，转移概率矩阵P如下：
第n+1天天气状态为j的概率为：
因此，矩阵P即为条件概率转移矩阵。矩阵P的第i行元素表示，在上一个状态为i的时候的分布概率，即每行元素的和必须为1。
隐马尔可夫模型(Hidden Markov Model, HMM)是一种统计模型，在语音识别、行为识别、NLP、故障诊断等领域具有高效的性能。
HMM是关于时序的概率模型，描述一个含有未知参数的马尔可夫链所生成的不可观测的状态随机序列，再由各个状态生成观测随机序列的过程。
HMM是一个双重随机过程---具有一定状态的隐马尔可夫链和随机的观测序列。
HMM随机生成的状态随机序列被称为状态序列；每个状态生成一个观测，由此产生的观测随机序列，被称为观测序列。
思考： z1,z2...,zn是 不可观测的状态，x1,x2,...xn是 可观测到的序列 ；不可观测的状态觉得可观测序列的值(z的取值决定x的取值)；
1、在 z1、z2 不可观测 的情况下，x1和z2独立吗？x1和x2独立吗？
回答： 这个问题可以回顾之前的 贝叶斯网络 来理解。
首先z1，z2都是离散的值，但x1的值可能是离散的也可能是连续的。比如z是天气情况，每天天气的改变是离散的。x是因为天气而改变的一些其他状态，比如x=(地面是否潮湿、路上行人数量、雨伞销售数量...)；
在z1和z2不可观测的情况下，x1和z2不独立，x1和x2也是不独立的。
2、 在 z1、z2可观测 的情况下，x1和z2独立吗？x1和x2独立吗？
回答： 在z1和z2可观测的情况下，因为x1和z2的取值只和z1有关，所以就独立了。同样在给定了z1和z2的情况下，x1和x2也独立。
请回顾贝叶斯网络中的独立性问题来思考这个问题。
04 贝叶斯算法 - 贝叶斯网络
回顾：
一般而言，贝叶斯网络的有向无环图中的节点表示随机变量，可以是可观察到的变量，或隐变量，未知参数等等。连接两个节点之间的箭头代表两个随机变量之间的因果关系(也就是这两个随机变量之间非条件独立)；如果两个节点间以一个单箭头连接在一起，表示其中一个节点是“因”，另外一个节点是“果”，从而两节点之间就会产生一个条件概率值。
PS：每个节点在给定其直接前驱的时候，条件独立于其非后继。
HMM 由隐含状态S、可观测状态O、初始状态概率矩阵π、隐含状态转移概率矩阵A、可观测值转移矩阵B(又称为混淆矩阵，Confusion Matrix)；
π和A决定了状态序列，B决定观测序列，因此HMM可以使用三元符号表示，称为HMM的三元素：
S可以统计历史出现的所有状态；
初始概率分布π，统计S中各个状态各自出现的概率作为我们的初始概率分布π向量值；
S是所有可能的状态集合，O是所有可能的观测集合：
I是长度为T的状态序列，Q是对应的观测序列：
S={下雨，阴天，晴天}；O={地上干，地上湿}
I = {晴，雨，雨，阴，晴，阴}
Q={干，湿，湿，湿，干，干}
A是隐含状态转移概率矩阵:
其中aij是在时刻t处于状态si的条件下时刻t+1转移到状态sj的概率。
a 晴雨 = 某天是晴天条件下，下一天是雨天的概率。 （某一时刻→下一时刻）
B是可观测值转移概率矩阵:
其中bij是在时刻t处于状态si的条件下生成观测值oj的概率。
b 晴干 = 某天是晴天条件下，某天是地是干的的概率。 （同一时刻）
π是初始状态概率向量:
其中πi是在时刻t=1处于状态si的概率。
π 晴 = 初始第一天是晴天的概率；
π 雨 = 初始第一天是雨天的概率；
p(i t | .....) 表示在从 t-1时刻的观测值q t-1 ，一直到第1时刻观测值q1 的条件下，在第t时刻发生状态的概率。
性质1： 最终分析结果发现，在第t时刻发生状态的概率it只和t-1时刻有关。
性质2： 第t时刻的观测值qt只和第t时刻的状态it有关。
假设有三个盒子，编号为1,2,3；每个盒子都装有黑白两种颜色的小球，球的比例。如下：
按照下列规则的方式进行有放回的抽取小球，得到球颜色的观测序列：
1、按照π的概率选择一个盒子，从盒子中随机抽取出一个球，记录颜色后放回盒子中；
2、按照某种条件概率选择新的盒子，重复该操作；
3、最终得到观测序列：“白黑白白黑”
例如： 每次抽盒子按一定的概率来抽，也可以理解成随机抽。
第1次抽了1号盒子①，第2次抽了3号盒子③，第3次抽了2号盒子②.... ； 最终如下：
①→③→②→②→③ 状态值
白→黑→白→白→黑 观测值
1、 状态集合： S={盒子1，盒子2，盒子3}
2、 观测集合： O={白，黑}
3、 状态序列和观测序列的长度 T=5 (我抽了5次)
4、 初始概率分布： π 表示初次抽时，抽到1盒子的概率是0.2，抽到2盒子的概率是0.5，抽到3盒子的概率是0.3。
5、 状态转移概率矩阵 A：a11=0.5 表示当前我抽到1盒子，下次还抽到1盒子的概率是0.5；
6、 观测概率矩阵 B：如最初的图，b11=第一个盒子抽到白球概率0.4，b12=第一个盒子抽到黑球概率0.6;
在给定参数π、A、B的时候，得到观测序列为“白黑白白黑”的概率是多少?
这个时候，我们不知道隐含条件，即不知道状态值：①→③→②→②→③ ；
我们如何根据π、A、B求出测序列为“白黑白白黑”的概率？
02 隐马尔可夫模型 - HMM的三个问题 - 概率计算、学习、预测
㈣ 如何利用经济学理论解释股票市场的价格波动
股票市场价格波动是由多种经济因素所驱动的。在这篇文章中，我将会利用经济学原理解释股票市场价格波动。
1.供需因素
供需因素是影响股票市场价格波动的重要因素之一。供需的不平衡会导致股票价格的波动。例如，如果市场上有大量的买家而卖家很少，那么股票价格就会上涨。反之，如果市场上有大量的卖家而买家很少，股票价盯老格就会下跌。这种供需的不平衡可能是由于外部因素，例如政治和经济环境的变化，也可能是由于公司内部的因素，例如财务报告的好坏等。
2.宏观经济因素
宏观经济因素也是影响股票市场价格波动的重要因素之一。这些因素包括通货膨胀率、利率、汇率、贸易政策、政府财政政策等。例如，如果一个国家的通货膨胀率高，那么股票价格就会下跌，因为高滑则樱通货膨胀率会影响企业的盈利能力。相反，如果一个国家的利率下降，那么股票价格就会上涨，因为低利率会促进企业的投资和扩张。
3.技术分析
技术分析是一种通过分析市场数据来预测股票价格走势的方法。技术分析通常使用图表和趋势线来确定价格趋势并预测未来价格变化。例如，如果一只股票的价格在一段时间内一直处于上升趋势，并且技术分析师认为这种趋势将持续下去，那么投资者就会买入该股票，从而推高股票价格。
4.市场心理因素
市场心理因素也是影响股票市场价格波动的重要因素之一。这些因素包括投资者情绪、市场情绪和市场预期等。例如，如果投资者对市场前景感到乐观，那么他们就会投资更多的资金，推高股票价格。相反，如果投资者对市场前景感到悲观，那么他们就会撤出资金，导致股票价格下跌。
总之，股票市场价格波动是由多种经济因素所驱动的。虽然股票市场价格波动是无法预测的，但是对这些经济因素有一定的了解可以帮助投资者更好地理解股票市场价格波动的原因。此外，投资者还应该密切关注企业的财务报告、市场趋势和市信丛场心理，以制定投资策略，并根据市场变化及时调整投资组合。
㈤ 加权马尔科夫链是什么原理
由于每个时段的股票价格序列是一列相依的随机变量，各阶自相关系数刻画了各种滞时(各个时段)的股票价格之间的相关关系的强弱。因此，可考虑先分别依其前面若干时段的股票价格(对应的状态)对该时间段股票价格的状态进行预测，然后，按前面各时段与该时段相依关系的强弱加权求和来进行预测和综合分析，即可以达到充分、合理地利用历史数据进行预测的目的，而且经这样分析之后确定的投资策略也应该是更加合理的。这就是加权马尔可夫链预测的基本思想。
㈥ 布朗运动是什么
布朗运动的特点是布朗粒子的位移分布和粒子数密度分布都满足扩散现象的规律。这说明在粒子浓度不均匀时发生的扩散现象，其本质是粒子的布朗运动产生了位移。在实际的技术应用中，扩散技术相当引人重视。 在半导体集成电路制造过程中，常用扩散方法将特定杂质引入半导体的预定部位，以形成器件或组件，使其具有设计的电路功能。扩散过程是在较高温度下进行的，杂质原子通过晶体中的缺陷(空位或填隙原子)而迁移。所以，作布朗运动的粒子不只有尺度在微米级的颗粒，也可能是原子或分子。布朗粒子的运动特点是具有随机性和偶然性。 在离子晶体中有正、负两种离子，同时存在正、负离子空位，正、负离子就是通过这些空位来扩散的。由于这种运动是随机的和无规则的，各个方向迁移的概率相同，因此，带电粒子的布朗运动不会产生电流。但是如果加上恒定电场，离子运动就会在随机的无规则的迁移之上加一项定向运动，从而能传导电流。 由于作热运动的大量介质分子(原子)对宏观小物体的无规碰撞导致随机运动引起的涨落，这种涨落以布朗运动为代表，所以布朗运动的实质是涨落。 电路中也有涨落现象，譬如电流、电压的涨落，经过线路放大，产生噪声。在导体中电子的热运动是无规则的，有外电场时，在平均电流的背景上，还有一部分涨落电流，它使电信号产生噪声。 在爱因斯坦关于布朗运动的论文发表之前，1900年法国数学家巴施里叶发表了论述股票的论文《投机理论》，认为根据当前的股价并不能确切知道下一时刻的股价，而只知道下一时刻股价的概率分布。他对股票价格的不规则波动构造了一个数学模型，这个模型与1905年爱因斯坦为布朗运动所建立的模型一致。后来，“股票价格比例变化是一种布朗运动”成为金融研究中的一个普遍假设。
㈦ 如何用数学模型预测股票市场的波动性
预测股票市场的波动性是一个复杂且具有挑战性的问题。以下是几种常见的数学模型：
1.随机漫步模型：随机漫步模拆帆型认为股票价格的变化是随机的，不受任何外在因素的控制。这个模型可以用来预测短期股价走势。
2.随机波动模型：随机波动模型相对于随机漫步模型更加复杂，它认为股票价格的变化是由一系列固定的随机过程组成。这个模型可以用来预测中长期股价走势。
3.GARCH模型：广义自回归条件异方差模型（GARCH）可以衡量股票价格波动的大小和方向，因此它可以被用来进行波动率预测。GARCH模型包括一个自回归部分和一个条件异方差部分。
4.神经网络模型：神经网络是一种可以通过学习数据以预测未来股价的机器学习算法。神经网络可以发现数据中的模式和规律，从而提高预测准确性。
5.随机过程模型：随机过程模型可以将股价视为一个随机函数，通过对这个函数的分析来预测旅弯雹股价走势。这个方法可能需要闹数更多的数据和复杂的数学分析工具。
㈧ 马尔科夫 初始概率和绝对概率怎么计算
此处根据的是随机过程马尔可夫链中的极限分布定理。
设此处的平衡概率向量为x=(x1,x2,x3)，并且记已知的转移概率矩阵为：
p=00.80.2
00.60.4
1.000
则根据马尔可夫链的极限分布定理，应有xp=x，即：
(x1,x2,x3)*（00.80.2
00.60.4
1.000）
=(x1,x2,x3)
利用矩阵乘法，上式等价于3个等式：
x3=x1
0.8x1+0.6x2=x2
0.2x1+0.4x2=x3
由以上三个等式只能解得：x3=x1，以及x2=2x1
另外，再加上平衡概率向量x的归一性，即：x1+x2+x3=1
最终可解得：x1=0.25,x2=0.5,x3=0.25
不懂再问，祝好！