Market forecasting using Hidden Markov Models
本文以欧元/美元期货的日收盘价和对数收益率为研究对象，利用隐马尔可夫模型（HMRM）对欧元/美元期货的价格进行预测。我们的工作的目的是要了解如何描述不同的金融时间序列，根据其结构的障碍。随后，我们分析了在以前的文献中暴露的预测方法，把证据的优点和缺点。
2016-05-06 cs.LG stat.ML
Short-Term Wind-Speed Forecasting Using Kernel Spectral Hidden Markov Models
The University of Electro-Communications（电气通信大学）
在机器学习中，提出了一种用于时间序列数据的非参数预测算法，称为核谱隐马尔可夫模型（KSHMM）。在本文中，我们提出了一种基于KSHMM的短期风速预测技术。我们使用国家可再生能源实验室提供的风速数据，将我们基于KSHMM的预测技术与其他机器学习技术的性能进行了数值比较。我们的研究结果表明，与这些方法相比，所提出的技术提供了相当或更好的性能。
2018-11-15 cs.LG stat.ML
A Regularized Vector Autoregressive Hidden Semi-Markov Model, with Application to Multivariate Financial Data
建立了一个正则化向量自回归隐半马尔可夫模型，用于分析具有切换数据生成机制的多元金融时间序列。此外，提出了一种增广期望最大化算法的参数估计嵌入正则化估计的状态依赖的协方差阵和自回归矩阵的M-步骤。在模拟实验和纽约证券交易所的金融投资组合数据的性能进行评估建议的正则化估计。
2021-05-12 stat.AP
Bivariate modelling of precipitation and temperature using a non-homogeneous hidden Markov model
为了生成真实的日平均气温和降水量二元过程的合成时间序列，我们引入了一个非齐次隐马尔可夫模型。非均匀性在于隐态之间的周期性转移概率和随时间变化的发射分布。这使得模型能够考虑天气变量的非平稳行为。通过仔细选择发射分布，也可以对两个变量之间的依赖结构进行建模。该模型被应用到几个气象站在欧洲的各种气候，我们表明，它是能够模拟现实的二元时间序列。
2018-10-26 stat.AP
Hidden Markov Mixture Autoregressive Models: Stability and Moments
本文提出了混合自回归模型的一种新的简约结构。所述权系数是根据隐马尔可夫模型通过潜在随机变量确定的。本文提出了一种应用于预测的动态规划算法。我们还得到了过程的无条件一阶矩的极限行为和方差极限值的一个合适的上界。这可以被认为是进程的长期运行行为。最后证明了二阶矩的收敛性和稳定性。此外，我们通过模拟和预测来说明所提出的模型的有效性。
2011-05-11 math.ST stat.TH
Detecting bearish and bullish markets in financial time series using hierarchical hidden Markov models
金融市场呈现出价格上涨和下跌的交替周期。寻求做出有利可图的投资决策的股票交易者必须考虑这些趋势，其目标是准确预测从看涨到看跌的市场转换，反之亦然。流行的金融时间序列建模工具是隐马尔可夫模型，其中一个潜在的状态过程被用来明确地模拟不同的市场制度之间的切换。然而，隐马尔可夫模型的基本形式无法捕捉短期和长期趋势，这可能导致将短期价格波动误解为长期趋势的变化。在本文中，我们演示了如何层次隐马尔可夫模型可以用来绘制一个全面的金融市场，这可以有助于更复杂的交易策略的发展。建议的方法的可行性说明在两个真实的数据应用程序，我们从两个主要的股票指数，德国Aktienindex和标准普尔500指数的模型数据。
2020-07-29 q-fin.ST stat.AP stat.ME
Hidden Markov model for discrete circular-linear wind data time series
在这项工作中，我们处理一个二元时间序列的风速和风向。我们观察到的数据具有特殊的特征，例如信息缺失值，特定条件下的不可靠措施和区间删失数据，我们在模型规范中考虑到这些特征。我们分析的时间序列与非参数贝叶斯隐马尔可夫模型，引入一个新的排放分布的基础上不变的包裹泊松，泊松和栅栏密度，适合我们的数据建模。该模型是在模拟数据集和激励这项工作的真实数据示例上估计的。
2017-04-17 stat.ME
Nonhomogeneous hidden semi-Markov models for toroidal data
提出非齐次隐半马尔可夫模型，用于环形时间序列分段，同时估计时变协变量对生存的影响，采用EM算法，并在风向波向数据上验证。
2023-12-22 stat.AP stat.ME
Model-based clustering with Hidden Markov Model regression for time series with regime changes
Paris Nord University（巴黎第十三大学）；IFSTTAR（法国交通与安全科学技术研究所）；Heudiasyc Lab（Heudiasyc实验室）
本文介绍了一种新的基于模型的聚类方法聚类时间序列，目前的政权变化。它由隐藏的马尔可夫链控制的多项式回归的混合物组成。每个簇的潜在隐藏过程在时间上连续激活几个多项式机制。参数估计通过专用期望最大化（EM）算法采用极大似然法进行。所提出的方法进行评估，使用模拟时间序列和现实世界的时间序列从铁路诊断应用程序发出。与现有的时间序列聚类方法，包括高斯混合的标准EM，$K$均值聚类，标准混合回归模型和混合隐马尔可夫模型的比较，证明了该方法的有效性。
2013-12-25 cs.LG stat.ME stat.ML
Few-shot time series segmentation using prototype-defined infinite hidden Markov models
Aston University（阿斯顿大学）；University of Birmingham（伯明翰大学）；Massachusetts Institute of Technology（麻省理工学院）
我们提出了一个强大的框架，可解释的，Few-Shot分析的非平稳序列数据的基础上灵活的图形模型来表达结构化分布的顺序事件，使用原型径向基函数（RBF）神经网络排放。一个动机之间的联系，证明了原型神经网络架构的少样本学习和建议的RBF网络无限隐马尔可夫模型（RBF-iHMM）。我们表明，RBF网络可以有效地指定通过原型，使我们能够表达复杂的非平稳模式，而隐马尔可夫模型用于推断原则性的高层次马尔可夫动态。该框架的实用性被证明在生物医学信号处理应用，如从EEG数据的自动癫痫发作检测，其中RBF网络实现最先进的性能，使用一小部分的数据需要训练长短期记忆变分自编码器。
2021-02-07 cs.LG eess.SP math.ST
Parallel tempering as a mechanism for facilitating inference in hierarchical hidden Markov models
近年来，通过隐马尔可夫模型和类似的状态转换模型推断动物行为状态的研究已经显着增加。通过分层隐马尔可夫模型，能够说明不同级别的行为规模，但额外的级别会导致更高的复杂性和模型组件之间的相关性增加。使用期望最大化算法的极大似然推断方法和直接优化的似然性被更频繁地使用，贝叶斯方法由于计算需求而不太受欢迎。鉴于这些要求，这是至关重要的，有效的估计算法时，贝叶斯方法是首选。我们研究了使用各种方法来提高收敛时间和混合马尔可夫链蒙特卡罗方法应用于层次隐马尔可夫模型，包括并行回火作为推理促进机制。该方法显示出分析复杂的随机模型与组件之间的高水平的相关性的承诺，但我们的研究结果表明，它需要仔细调整，以最大限度地发挥潜力。
2020-11-23 stat.CO
Hhsmm: An R package for hidden hybrid Markov/semi-Markov models
本文介绍了hhsmm R包，其中包括初始化，拟合和预测的隐混合马尔可夫/半马尔可夫模型的功能。这些模型都是灵活的马尔可夫和半马尔可夫状态，适用于情况下，该模型涉及吸收或宏观状态的模型。从左到右模型和串/并联网络模型是两种具有马尔可夫和半马尔可夫状态的模型。hhsmm还包括马尔可夫/半马尔可夫切换回归模型以及自回归HHSMM、使用惩罚B样条的排放分布的非参数估计、未来状态的预测以及预测函数中的剩余使用寿命估计。商业模块化航空推进系统模拟（C-MAPSS）数据集也包括在该包中，用于说明该包功能的应用。最后介绍了该软件包在西班牙能源需求分析和预测中的应用。
2022-05-29 stat.CO
Comparison of hidden Markov chain models and hidden Markov random field models in estimation of computed tomography images
对于许多诊断和治疗工作流程，存在用磁共振（MR）图像替换计算机断层摄影（CT）图像的兴趣。在这篇文章中，预测CT图像从一些磁共振成像（MRI）序列使用回归方法进行了探讨。估计CT图像的两个主要应用领域是基于MRI的放射治疗计划中的剂量计算和正电子发射断层扫描（PET）/MRI的衰减校正。这项工作的主要目的是调查隐马尔可夫（链）模型（HMRF）的性能相比，隐马尔可夫随机场（HMRF）模型预测CT图像的头部。我们的研究表明，在这个特定的应用中，HMRF模型有明显的优势。所获得的结果表明，阻碍值得进一步研究，调查其潜力的建模应用中，最自然的理论选择将是类的HMRF模型。
2017-05-04 stat.AP stat.CO
CLTs and asymptotic variance of time-sampled Markov chains
对于马尔可夫转移核$P$和非负整数概率分布$ μ$，时间采样马尔可夫链按照转移核$P_μ = \sum_k μ(k)P^k.$演化。本文给出了时间采样马尔可夫链的CLT条件，并导出了渐近方差的谱公式。利用这些结果，我们比较巴克和大都会算法的渐近方差的效率。
2011-06-03 math.PR stat.CO
Sequential Bayesian inference for implicit hidden Markov models and current limitations
隐马尔可夫模型通过将数据视为任意复杂马尔可夫过程的噪声测量，可以描述出现在各个科学领域中的时间序列。序贯蒙特卡罗（SMC）方法已经成为估计给定观测值和固定参数值的隐马尔可夫过程的标准工具。我们回顾了最近的一些发展，允许列入参数的不确定性以及模型的不确定性。从算法复杂性的角度强调了目前可用的方法的缺点。时间序列分析中感兴趣的统计对象是在一个玩具“Lotka-Volterra”模型用于人口生态学。一些开放的挑战进行了讨论，审查的方法，更长的时间序列，高维状态空间和更灵活的模型的可扩展性。
2015-05-16 stat.CO stat.ME
Equations for hidden Markov models
我们将概述新的方法来获得隐马尔可夫模型和相关模型的模型不变量。这些方法是基于一个理论框架，从观察随机过程的字符串函数的向量空间的元素。从该框架中得到的定理产生了新的想法，以获得隐马尔可夫模型和相关模型的模型不变量。
2009-02-08 math.AG math.ST stat.CO
Parameter Estimation in Hidden Markov Models with Intractable Likelihoods Using Sequential Monte Carlo
我们提出序贯蒙特卡罗算法的静态参数的极大似然估计的隐马尔可夫模型的一个棘手的可能性使用的想法，从近似贝叶斯计算。静态参数估计算法是基于梯度的，并且覆盖离线和在线估计。我们证明了他们的表现，估计参数的三个棘手的模型，即α-稳定分布，g-和-k分布，和随机波动率模型与α-稳定的回报，使用真实和合成数据。
2013-11-17 stat.CO stat.ME
Variance reduction for additive functional of Markov chains via martingale representations
在本文中，我们提出了一个有效的方差减少方法的马尔可夫链依赖于一个新的离散时间鞅表示的可加泛函。我们的方法是完全非渐进的，并且不需要静态分布（甚至任何类型的遍历性）或底层密度的特定结构的知识。通过严格分析算法的收敛性，我们表明，它的成本方差积确实小于一个朴素的算法。用Langevin型马尔可夫链蒙特卡罗（MCMC）方法验证了新方法的数值性能。
2021-12-21 stat.CO stat.ML
Online learning of Riemannian hidden Markov models in homogeneous Hadamard spaces
Centre for Mathematical Sciences, University of Cambridge（剑桥大学数学科学中心）；CNRS（法国国家科学研究中心）；University of Bordeaux（波尔多大学）；University of Cambridge（剑桥大学）
欧氏空间中的隐马尔可夫模型在信号和图像处理中起着重要的作用。以前的工作扩展到模型的观察位于黎曼流形的基础上鲍姆-韦尔奇算法遭受高内存使用和速度慢。在这里，我们提出了一个算法，是在线的，更准确，并提供了显着的速度和效率的提高。
2022-07-04 cs.LG math.DG stat.CO
Sequential Bayesian Learning for Hidden Semi-Markov Models
在本文中，我们探讨类的隐半马尔可夫模型（HSMM），一个灵活的扩展流行的隐马尔可夫模型（HMM），允许潜在的随机过程是一个半马尔可夫链。由于在评估似然函数时增加的计算挑战，HSMM通常比它们的基本HMM对应物使用得不那么频繁。此外，虽然两个模型本质上都是序贯的，但参数估计主要通过批估计方法进行。因此，本文的一个主要动机是提供方法来估计HSMM（1）在计算上可行的时间，（2）在一个精确的方式，即只受蒙特卡罗误差，（3）在一个连续的设置。我们提供并验证了一个高效的计算方案贝叶斯参数估计的HSMM。此外，我们探讨了自回归（AR）模型与隐半马尔可夫状态的波动率指数时间序列的HSMM的性能，并演示了如何使用该算法可以用于政权切换，模型选择和聚类的目的。
2023-01-25 econ.EM stat.AP stat.CO
Adjusted Viterbi training for hidden Markov models
为了估计隐马尔可夫模型中的排放参数，通常使用EM算法或其变体。然而，我们的主要动机是Philips语音识别系统，其中EM算法被Viterbi训练算法取代。Viterbi训练比EM更快，计算量更少，但它也有偏差，甚至不需要一致。我们提出了一种替代维特比训练-调整维特比训练-具有相同数量级的计算复杂性的维特比训练，但更准确的估计。在其他地方，我们研究了混合物的特殊情况下的调整Viterbi训练，通过模拟支持理论。本文证明了调整维特比训练也可以用于更一般的隐马尔可夫模型。
2007-09-14 math.PR math.ST stat.CO
Kernel estimators of asymptotic variance for adaptive Markov chain Monte Carlo
研究了一类自适应马尔可夫链渐近方差（或长期方差）核估计的渐近性态。收敛性研究都在$L^p$和几乎必然。结果也适用于马尔可夫链和改进现有的文献中施加较弱的条件。我们说明的结果与应用程序的$\operatorname {GARCH}(1,1)$马尔可夫模型和贝叶斯逻辑斯谛回归的自适应MCMC算法。
2011-05-16 math.PR math.ST stat.CO
Variance reduction for Markov chains with application to MCMC
Duisburg-Essen University（杜伊斯堡-埃森大学）；HSE University（高等经济大学）；Ecole Polytechnique（巴黎综合理工学院）
在本文中，我们提出了一种新的方差减少方法的马尔可夫链的可加泛函的基础上，这些泛函的渐近方差的估计在适当的控制变量类的最小化。所提出的方法的一个显着特点是它能够显着降低整体有限样本方差。这一功能从理论上证明了通过一个深刻的非渐近分析的方差减少功能，以及通过一个彻底的模拟研究。特别是我们将我们的方法应用到各种MCMC贝叶斯估计问题，它有利地比较现有的方差减少方法。
2020-02-15 cs.LG math.PR math.ST
