HMM指数择时研究之理论篇|东北证券金融工程报告2017
本报告是HMM指数择时系列的第二篇理论篇,在实战篇基础上深入解析HMM三大算法(概率计算、学习、预测),提供五个案例解析。创新提出基于无监督学习的HMM评估方法,发现dist指标能有效评估模型估计误差、状态估计精度及稳定性。通过对比日MA指标与日收益率指标,得出训练长度足够时,日MA指标更适合作为HMM观测变量。适合量化研究员、金融工程师、投资策略分析师、指数择时交易者阅读。
本报告是HMM指数择时系列的第二篇理论篇,在实战篇基础上深入解析HMM三大算法(概率计算、学习、预测),提供五个案例解析。创新提出基于无监督学习的HMM评估方法,发现dist指标能有效评估模型估计误差、状态估计精度及稳定性。通过对比日MA指标与日收益率指标,得出训练长度足够时,日MA指标更适合作为HMM观测变量。适合量化研究员、金融工程师、投资策略分析师、指数择时交易者阅读。
本报告是HMM指数择时系列的第二篇理论篇,在实战篇基础上深入解析HMM三大算法(概率计算、学习、预测),提供五个案例解析。创新提出基于无监督学习的HMM评估方法,发现dist指标能有效评估模型估计误差、状态估计精度及稳定性。通过对比日MA指标与日收益率指标,得出训练长度足够时,日MA指标更适合作为HMM观测变量。适合量化研究员、金融工程师、投资策略分析师、指数择时交易者阅读。
本报告是HMM指数择时系列的第二篇理论篇,在实战篇基础上深入解析HMM三大算法(概率计算、学习、预测),提供五个案例解析。创新提出基于无监督学习的HMM评估方法,发现dist指标能有效评估模型估计误差、状态估计精度及稳定性。通过对比日MA指标与日收益率指标,得出训练长度足够时,日MA指标更适合作为HMM观测变量。适合量化研究员、金融工程师、投资策略分析师、指数择时交易者阅读。核心数据:HMM三大算法;五个案例解析;dist评估指标。
本报告由东北证券发布,发布于 2017 年。
覆盖 2017 年,全文约 34。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合量化研究员、金融工程师、投资策略分析师、指数择时交易者等读者参考。
重点分析了金融投资、指数择时、之理论篇、HMM等议题。