耦合隐藏马尔科夫模型的算法研究

本文在隐藏马尔科夫的基础上介绍了耦合隐藏马尔科夫模型,基于隐藏马尔科夫的算法计算了耦合隐藏马尔科夫模型的对数似然函数,提出了耦合隐藏马尔科夫模型的EM算法及Viterbi算法,用以估计模型的参数及隐藏状态序列,最后利用实例讨论了该算法的准确性及有效性.     

隐马尔科夫模型在乙肝发病预测中的应用

基于隐马尔科夫模型(HMM)为中国疾病预防与控制中心发布的乙肝发病数量时间序列进行建模,通过似然函数的计算而建立起一个具有2状态的单变量正态分布隐马尔科夫模型.根据模型估计结果,发现两个状态对应的乙肝发病数量的分布规律有较大差异,分别对应着乙肝疫情的低发状态和高发状态.状态之间有可能发生转换,但是转换的概率比较低.基于所估计得到的隐马尔科夫模型,可以识别出特定时刻乙肝疫情所处的状态,也可以预测未来时刻乙肝疫情所处的状态.     

马氏环境下的一类离散风险模型

文章主要讨论了马氏环境下的一类离散风险模型，其中在任意单位时间区间内的索赔情况由一三个状态的平稳马尔科夫链{Ik≥0）决定：Ik=0时，则第k个单位时间区间内没有索赔；Ik=1时，则发生一次X类索赔；Ik=2时，则发生一次Y类索赔．对此模型给出了条件破产概率的递推公式及某一特殊条件下的最终破产概率的上界．     

一种无穷和的定义、性质及其在马尔科夫链中的应用

对形式级数 ∑ui无穷和的定义进行了推广 ,给出蔡查罗无穷和的概念 ,讨论了它们之间的关系 .对正项级数、交错级数的蔡氏收敛性做了完整的讨论 .并将其应用于马尔科夫链的渐近性态的研究 ,得到了更为简洁、完整的结果     

基于新维无偏灰色马尔科夫模型的围栏草场面积的预测

草原上围栏草场建设已成为一种趋势,围栏草场面积的预测,可以为草原的评价、管理、规划、和决策提供重要的基础数据.灰色预测适合于数据量少的对象,而马尔科夫链适用于随机性强、波动性大的动态过程,通过有效结合这两种预测方法,采用新维无偏灰色马尔科夫模型,预测围栏草场的面积.用无偏灰色模型拟合围栏草场面积的发展变化趋势,用马尔科夫模型对拟合的数据分析预测,在每一步的预测中,利用新信息优先的原则,对原始数据进行等维处理,经过反复的预测,最后得到预测精度较高的结果.实例结果分析表明:此模型预测误差小,精度高,尤其适合中长期预测.     

基于动态数据驱动的改进灰色马尔科夫模型黄金价格预测

将黄金数据的尖峰厚尾、异方差性及杠杆效应等统计特征与马尔科夫概率转移矩阵所具有的动态变化规律结合,提出一种改进的灰色马尔科夫模型.模型首先对数据进行统计分析,建立相应的概率统计模型并用此模型对系统发展变化趋势进行拟合.在拟合序列的基础上利用马尔科夫链的动态转移变化建立状态转移概率矩阵,采用动态数据驱动原理对未来每一步数据进行动态预测.模型既是统计方法与数据动态驱动的结合,克服了传统的灰色马尔科夫模型中对数据内在统计规律的忽视,实证表明其预测精度较灰色马尔科夫模型预测高,具有较好的实用性.     

利用马尔科夫链模型对多点地质统计建模影响因素分析及优化

多点地质统计方法作为一种随机建模方法,在很多领域得到了广泛的应用,取得了很好的效果.但模拟过程中随机性强,难以控制其模拟效果.以地震尺度的精细离散模型(地震相)为训练图像,通过大量的实验探索,分析多点模式的选取对多点地质统计方法模拟效果的影响,提取模式大小、模式形态(各向异性)以及多级网格约束三个因素对建模结果影响.模式大小应根据模拟目标的尺度进行选择,模式的形态应与模拟地质目标的各向异性一致,多级网格控制的多少应权衡模拟目标的复杂性和计算速度.成功应用马尔科夫链模型,评价模型的空间结构恢复效果,对影响参数遍历设置和组合优化,探索了训练图像的最优多点模式参数设置组合.     

关于树指标二阶齐次马氏链的等价定义

树指标随机过程是近年来概率论的研究方向之一,已引起了概率论、物理学、计算机等学科的广泛关注,国内外关于树指标随机过程的研究已经取得了一定的成果.树指标随机过程中的一类重要的模型就是树指标马氏链.Benjiamini和Peres首先给出了树指标马氏链的定义.杨卫国、陈晓雪和王豹给出了树指标一阶马氏链的等价定义.杨卫国等又研究了树指标马氏链强极限定理.为了更有效的研究树指标随机过程,本文给出树指标二阶齐次马氏链的等价定义,并证明其等价性.     

隐半马尔科夫市场下投资组合的动态决策问题（英文）

在长期投资组合中,既要考虑金融资产自身的价格波动风险,又要关注宏观经济环境变化及通胀风险对各资产的影响.为此,本文建立宏观经济环境服从隐半马尔科夫链的金融市场,由通胀指数债券、银行存款和普通股票构成投资组合.由期望效用最大化构建随机控制模型,考虑到该隐半马尔科夫市场的不完备性,进一步将该投资组合问题视作部分信息的随机控制问题,并利用隐半马尔科夫滤波将部分信息控制问题转化问完全信息问题,得到解的存在唯一性.本文最后给出若干数值模拟结果,结果显示本文建立的模型优于普通市场的模型.     

基于马尔科夫区制转换及Black-Litterman模型的大类资产组合模型研究

传统的均值-方差模型由于对输入参数过于敏感,限制了其在实践中的应用。BlackLitterman模型通过贝叶斯方法对投资者主观观点和基准组合进行加权,可以在一定程度上弥补均值-方差模型的弊端,在实践中得到了广泛的应用。本文在Black-Litterman模型的基础上,引入马尔科夫区制转换模型划分经济周期,形成了大类资产的主观观点,并分别利用等权重和最小方差组合作为基准组合,构建了MS-BL投资组合,研究结果表明:(1)我们根据区制转换机制和美林投资时钟原理提取的主观预测信息能够有效地捕捉未来的市场信息,从而提升了新投资组合的有效性;(2)我们提出的MS-BL模型在收益提升和风险控制上均显著超越了传统的资产配置模型,且在不同的样本周期、风险规避系数及信心水平下结论是稳健的。     

隐马尔可夫因子分析模型的半参数贝叶斯分析

因子模型在刻画潜在因素(因子)与观测变量间的影响关系并进而解释多元观测指标(变量)间的相关性方面具有重要作用.在实际应用中,观测数据往往呈现出时序变异多峰,偏态等特性.将经典的因子分析延伸到带有时齐隐马尔可夫模型的动力因子模型,并建立了半参数贝叶斯分析程序.分块GIBBS抽样器用以后验抽样.经验结果展示所建立的统计程序是有效的.     

基于动态规划的高阶隐马氏模型推广的Viterbi算法

首先通过Hadar等价变换方法将高阶隐马氏模型转换为与之等价的一阶向量值隐马氏模型,然后利用动态规划原理建立了一阶向量值隐马氏模型的Viterbi算法,最后通过高阶隐马氏模型和一阶向量值隐马氏模型之间的等价关系建立了高阶隐马氏模型基于动态规划推广的Viterbi算法．研究结果在一定程度上推广了几乎所有隐马氏模型文献中所涉及到的解码问题的Viterbi算法,从而进一步丰富和发展了高阶隐马氏模型的算法理论．     

隐非齐次马尔可夫模型的强大数定律

在状态集都有限的情况下,给出了隐马尔可夫模型的一些性质定理．利用马氏链的强极限定理,得到了隐非齐次马尔可夫模型的强大数定律．     

Interactive hidden Markov models and their applications

^** Email: wching{at}hkusua.hku.hk In this paper, we propose an Interactive hidden Markov model(IHMM). In a traditional HMM, the observable states are affecteddirectly by the hidden states, but not vice versa. In the proposedIHMM, the transitions of hidden states depend on the observablestates. We also develop an efficient estimation method for themodel parameters. Numerical examples on the sales demand dataand economic data are given to demonstrate the applicabilityof the model.     

隐Markov模型的强马氏性

引入隐Markov模型强马氏性的概念,并进一步研究了隐Markov模型在强马氏性方面的一些性质.     

可列非齐次隐Markov模型的强大数定律

隐马尔科夫模型被广泛的应用于弱相依随机变量的建模,是研究神经生理学、发音过程和生物遗传等问题的有力工具。研究了可列非齐次隐 Markov 模型的若干性质,得到了这类模型的强大数定律,推广了有限非齐次马氏链的一类强大数定律。     

Ergodic and adaptive control of hidden Markov models

A partially observed stochastic system is described by a discrete time pair of Markov processes. The observed state process has a transition probability that is controlled and depends on a hidden Markov process that also can be controlled. The hidden Markov process is completely observed in a closed set, which in particular can be the empty set and only observed through the other process in the complement of this closed set. An ergodic control problem is solved by a vanishing discount approach. In the case when the transition operators for the observed state process and the hidden Markov process depend on a parameter and the closed set, where the hidden Markov process is completely observed, is nonempty and recurrent an adaptive control is constructed based on this family of estimates that is almost optimal.     

Transportation inequalities for hidden Markov chains and applications

We prove some transportation inequalities for hidden Markov chains, generalize the results proved by Kontorovich and Ramanan in two directions and give some applications to log-likelihood functions and hypothesis testing.     

Asymptotic behavior of Bayes estimators for hidden Markov models with application to ion channels

In this paper we study the asymptotic behavior of Bayes estimators for hidden Markov models as the number of observations goes to infinity. The theorem that we prove is similar to the Bernstein—von Mises theorem on the asymptotic behavior of the posterior distribution for the case of independent observations. We show that our theorem is applicable to a wide class of hidden Markov models. We also discuss the implication of the theorem’s assumptions for several models that are used in practical applications such as ion channel kinetics.      

Computational issues in parameter estimation for stationary hidden Markov models

The parameters of a hidden Markov model (HMM) can be estimated by numerical maximization of the log-likelihood function or, more popularly, using the expectation–maximization (EM) algorithm. In its standard implementation the latter is unsuitable for fitting stationary hidden Markov models (HMMs). We show how it can be modified to achieve this. We propose a hybrid algorithm that is designed to combine the advantageous features of the two algorithms and compare the performance of the three algorithms using simulated data from a designed experiment, and a real data set. The properties investigated are speed of convergence, stability, dependence on initial values, different parameterizations. We also describe the results of an experiment to assess the true coverage probability of bootstrap-based confidence intervals for the parameters.