086 引入马尔可夫链 (第2/3页)
次结果独立，但我们知道六面体出现每个数字的概率分布。市场也在不同状态间转移，只要我们能统计出转移概率，就能预判方向。”
李阳深吸一口气，“那你需要足够长的历史序列来构建转移矩阵。”
“我已经准备好了。”陈帆打开本地数据库，导入一段加密压缩包，“这是过去三十六个月的完整日线记录，剔除停牌和异常波动样本。你现在写个脚本，按我刚才的标准自动标注每一根K线所属状态。”
李阳立刻动手。Python编辑器亮起，他先定义状态判定函数，再循环遍历每只个股的时间序列。屏幕上开始滚动输出状态标签：U（上涨延续）、W（上涨衰竭）、D（下跌延续）、B（下跌反弹）、S（盘整）。
几个小时后，初步状态序列生成完毕。李阳将其汇总为频次表，统计从一种状态转移到另一种状态的次数。例如，“W→D”出现了四百七十二次，“W→U”仅一百零三次。
“原始频次出来了。”他指着表格，“但有些转移路径极少发生，比如‘B→W’只有三次，直接算概率会不稳定。”
“加拉普拉斯平滑。”陈帆说，“给每个转移路径加一，避免零概率问题。然后归一化，得到最终的转移概率矩阵。”
代码再次运行。几分钟后，一个五乘五的矩阵成型。主对角线上的数值普遍偏低，说明市场一旦进入某种状态，往往不会停留太久。而“W→D”的概率高达0.68，“S→U”和“S→D”接近均衡，分别为0.41和0.39。
“有意思。”张远凑近屏幕，“也就是说，一旦出现上涨衰竭信号，超过三分之二的可能性会转入下跌延续。这不是情绪判断，是历史行为统计。”
“接下来验证。”陈帆切换到回测模块，“用这个模型去预测已知序列中的下一个状态，看看准确率。”
第一轮测试选取2017年全年数据，涵盖震荡与局部牛市。结果显示，整体预测准确率为56.3%，相比原有模型提升6.3个百分点。
不算高。
“样本太短。”陈帆摇头，“而且避开了剧烈转折期。我们要看的是牛熊切换时的表现。
（本章未完，请点击下一页继续阅读）