时序预测

时序预测 | MATLAB实现HMM隐马尔可夫模型时间序列预测

预测效果

基本介绍

ＨＭＭ 是一个双重随机的模型，以隐层状态序列组成的马尔科夫链为基础，对观测序列进行描述。隐马尔科夫模型开始于一个有限的状态集，由状态转移概率矩阵确定下一个状态值，由混淆概率矩阵确定从一个特定状态产生的观测值，因此具有学习时间序列信息的能力。

模型描述

程序设计

• 完整程序：MATLAB实现HMM(隐马尔科夫)时间序列预测（完整源码和数据）

% 前向概率
    ntime = size(Closing,2);
    alpha = zeros(ntime,num_States);
    beta = zeros(ntime,num_States);
    % 尺度因子
    S_alpha = zeros(ntime,1);
%本函数需要预测值与观测值
%nnR - R^2 value
%style - options for display of figures (1 or 2)
%titleN - title to be included (string)

clear title xlabel ylabel
%set figure number
n = get(gcf,'Number');
ylimMax1 = max(dataSim);
ylimMax2 = max(dataObs);
ylimMax = max(ylimMax1,ylimMax2);
ylimMin1 = min(dataSim);
ylimMin2 = min(dataObs);
ylimMin = min(ylimMin1,ylimMin2);
figure(n)
plot(dataObs)
title(' 曲线');
ylabel('数据');
xlabel('样本');
set(gca,'FontSize',12)    

学习总结

马尔可夫链是一种研究事物转移规律与状态变化情况的理论，不仅能够应用在时间序列的分析中，也可以应用在空间序列的分析中，马尔可夫链系统在每一个阶段的状态都有着随机性的特征，其时期状态是按照概率来进行转移的，下一时期状态只由本时期转移概率与状态来决定，不会受到其他因素的影响．本文提出了一种基于ＨＭＭ 时间序列预测模型，利用隐马尔科夫模型的时序特性，克服了现有基于机器学习算法的局限性。
在社会的发展之下，股票市场日趋成熟，股票预测方式正是基于计算工具、经济理论以及社会发展基础下产生，当然，该种方法并非适宜用于所有问题的计算中，在使用基于时间序列马尔科夫链进行股市预测时，需要将各种历史信息充分合理地利用起来，这样既可有效提升预测的准确性，还可以帮助股市投资者分析出预测股票价格，在这一过程中，股市投资者能够根据自己的偏好来选择预测方式，采取针对性的投资方式，防止发生不合理投资行为．

参考资料

[1] https://download.csdn.net/download/kjm13182345320/85467003?spm=1001.2014.3001.5503
[2] https://download.csdn.net/download0/85476841?spm=1001.2014.3001.5503
[3] https://download.csdn.net/download45320/85467255?spm=1001.2014.3001.5503