模型算法
9/29/25About 3 min
金融趋势建模常用概率模型对比表
| 模型 | 核心思想 | 优点 | 缺点 | 典型应用场景 |
|---|---|---|---|---|
| 马尔可夫链 (MC) | 系统未来状态只依赖当前状态 | 简单直观，易计算 | 只能建模相邻依赖，无法处理观测噪声 | 价格趋势（涨/跌）简单预测 |
| 隐马尔可夫模型 (HMM) | 状态隐藏，仅能通过观测值推测 | 适合趋势识别，能处理噪声 | 假设过强（如高斯分布），特征有限 | 市场趋势识别（牛/熊/震荡） |
| 高斯混合模型 (GMM) | 数据由多个高斯分布混合 | 能识别不同市场模式，比单一正态更灵活 | 无时间依赖，需要与 HMM 结合 | 收益率分布建模，聚类市场状态 |
| 贝叶斯网络 (BN) | 用有向图表示条件依赖 | 能建模因果关系，多因子分析 | 结构学习复杂，数据需求大 | 多因子市场建模（利率、通胀、成交量） |
| 动态贝叶斯网络 (DBN) | 扩展 HMM，可处理多变量时序 | 更灵活，可处理多市场数据 | 计算复杂度高 | 联合建模价格、成交量、波动率 |
| 卡尔曼滤波 (KF) | 线性高斯状态空间模型 | 计算高效，适合实时估计 | 仅适合线性、高斯假设 | 趋势平滑、价格预测 |
| 粒子滤波 (PF) | 非线性、非高斯状态估计 | 灵活，适合复杂市场 | 计算开销大，收敛慢 | 高频交易中的实时状态估计 |
| 条件随机场 (CRF) | 直接建模条件概率 P(Y | X) | 能利用更多上下文和特征 | 训练复杂，需大量数据 |
| Copula 模型 | 分离边际分布和相关性建模 | 可灵活建模资产相关性 | 参数估计复杂 | 多资产联动分析（股市+加密货币） |