Utilisation de HMM en finance quantitative. Des exemples de HMM qui fonctionnent pour détecter les tendances / tournants?

17

Je découvre le monde merveilleux de ces "modèles de Markov cachés", également appelés "modèles à changement de régime". Je souhaite adapter un HMM en R pour détecter les tendances et les tournants. Je voudrais construire le modèle le plus générique possible afin de pouvoir le tester sur de nombreux prix.

Quelqu'un peut-il recommander un article? J'en ai vu (et lu) (plus que) quelques-uns mais je suis à la recherche d'un modèle simple et facile à mettre en œuvre.

De plus, quels packages R sont recommandés? Je peux voir qu'il y en a beaucoup qui font du HMM.

J'ai acheté le livre "Modèles de Markov cachés pour les séries chronologiques: une introduction en utilisant R", voyons ce qu'il contient;)

Fred

r time-series finance hidden-markov-model RockScience
la source
Il existe un autre site StackExchange pour les questions de finance quantitative .
isomorphismes
1
Quant à prédire avec succès les tendances: c'est la question du milliard de dollars.
isomorphismes
@Lao Tzu: À propos du site stackExchange pour la finance quantitative, je doute que les gars là-bas connaissent HMM
RockScience
Je pense que vous constaterez qu'ils sont familiers avec les modèles de Markov cachés, le changement de régime, le boost et tout ça. L'apprentissage automatique est à la mode en quant-finance.
isomorphismes
Attention: les modèles Markov cachés ne sont pas les mêmes que les modèles Markov (Regime) Switching.
Zhubarb

Réponses:

11

Je pense que quelques méthodes qui peuvent être utilisées, mais qui ne sont pas conçues spécifiquement pour vous, sont les suivantes:

Approches de modélisation:

  1. Modèles de sujet (utilisés pour trouver des profils dans un ensemble de documents et / ou de recherche d'informations)

    une. Le plus simple est LDA

    b. Modèles de sujets dynamiques (à mon humble avis, le plus adapté à votre cas, sans grande connaissance du domaine)

    c. Modèles de sujets corrélés (à mon humble avis, si 2. n'est pas bon, il est logique d'essayer ceci)

    Ces approches ne sont pas utilisées en finance (je ne suis pas au courant, car je ne travaille pas spécifiquement en finance), mais elles ont une applicabilité très générale. Ils utilisent la formulation variable latente, qui est très similaire à celle de HMM. Ils se sont montrés à la pointe de la technologie en matière de modélisation de sujets. Vous pouvez regarder une belle présentation de David Blei (grand présentateur, à part sa recherche géniale !!) ici . Les références spécifiques, les diapositives de la présentation et les modèles plus compliqués sont accessibles à partir de son site Web . Il fait un excellent travail qui est très général, il n'est donc pas surprenant qu'il ait déjà fait quelque chose en finance. Une autre grande référence dans le même domaine est son conseiller, Michael Jordan's, site Internet. Difficile d'y trouver des références spécifiques car il publie tellement!

  2. Séries chronologiques et modèles de données séquentiels (HMM spécifiquement)

    Outre Jordan et Blei, l'autre recherche prolifique est Zoubin Ghahramani (et son coauteur Beal). Vous pouvez trouver ici les modèles HMM spécifiques dont vous avez besoin. Quelques-uns impressionnants sont: les modèles de Markov cachés infinis, les modèles de mélange de processus Dirichlet sensibles au temps.

  3. Logiciel

    Il existe un package R appelé lda et des modèles de sujet pour la plupart des «bons» modèles. Blei et Ghahramani maintiennent également les codes C, Matlab sur leur site Web.

Bonne chance!

suncoolsu
la source
@Srikant, comment avez-vous réussi à faire fonctionner la numérotation 1., 2., 3. Pour ma vie, je n'ai pas pu le comprendre!
suncoolsu
1
La magie! Le secret est: Tapez un espace au début des paragraphes suivants: "A part ..." et "Il y a un paquet R ...".
@RockScience: J'ai examiné les HMM dans le contexte des séries temporelles financières. Mais la quantité de ressources pour ce domaine d'application est très limitée (quelques articles et thèses et tous examinant des données inter-jours). Comme vous le savez, les HMM sont plus utilisés dans la reconnaissance vocale, la modélisation du langage naturel, l'analyse des séquences biologiques, etc. Connaissez-vous une raison pour laquelle les HMM ne sont pas utilisés dans les séries temporelles financières? Est-ce peut-être lié au fait que les chaînes de Markov dans ce contexte ne sont pas homogènes et que les probabilités de transition et d'émission varient considérablement dans le temps?
Zhubarb
Nous savons par des articles que Baum est allé travailler chez Rennaisance technologies, donc je suppose qu'il y a une certaine utilité par quelques joueurs expérimentés. Mon appel. Leur utilisation est très bonne entre de bonnes mains expérimentées et il y a peu de mains très expérimentées et celles-ci peuvent ne pas dire qu'elles l'utilisent.
Barnaby