АНАЛИЗ ВРЕМЕННЫХ РЯДОВ С МЕНЯЮЩЕЙСЯ СТРУКТУРОЙ: МОДЕЛИ СО СКРЫТЫМИ МАРКОВСКИМИ ПЕРЕКЛЮЧЕНИЯМИ

Аннотация

Настоящая статья посвящена исследованию и применению моделей со скрытыми марковскими переключениями (Hidden Markov Switching Models, HMSM) в анализе временных рядов с меняющейся структурой. Временные ряды во многих областях, таких как финансовые рынки, климатология и медицина, часто демонстрируют резкие и непредсказуемые изменения в своем статистическом поведении (например, периоды высокой волатильности сменяются периодами низкой, или режимы экономического роста сменяются рецессиями). Традиционные стационарные модели не способны адекватно захватить такие переключения режимов.

Модели HMSM преодолевают это ограничение, предполагая, что наблюдаемый временной ряд генерируется базовым стохастическим процессом, который может находиться в одном из конечного числа скрытых состояний (режимов). Переключение между этими скрытыми состояниями описывается скрытой цепью Маркова, и вероятность перехода из одного режима в другой зависит только от текущего режима. В рамках каждого режима (например, "режим 1: высокая волатильность") наблюдаемый процесс описывается своей уникальной параметризацией, например, моделью ARIMA или GARCH с особыми коэффициентами.

Исследование фокусируется на методах вывода и оценки параметров в HMSM. Рассматривается алгоритм Байеса (Baye's Algorithm) и его расширения (например, алгоритм Баума-Уэлша), используемые для оценки вероятности нахождения системы в каждом скрытом состоянии (фильтрация, сглаживание) и для обучения параметров модели. Анализируются концептуальные проблемы идентификации и выбора оптимального числа скрытых состояний. Приводятся примеры применения HMSM в финансовом анализе, где они успешно используются для моделирования асимметрии доходности и прогнозирования кризисных периодов. Модели со скрытыми марковскими переключениями предоставляют мощный и гибкий аппарат для точного моделирования нестационарности и структурных изменений в сложных динамических системах.