非平穩時間序列的可檢視神經馬可夫模型

在一篇名為《Inspectable Neural Markov Models for Non-Stationary Time Series》的研究論文中，作者提出了一種創新方法，旨在平衡深度學習的表示能力與經典概率模型的結構透明度。傳統上，馬可夫轉移矩陣提供了一種框架，但頻率估計在高分辨率下因數據稀疏而失效。為此，論文探討了一種混合方法，通過神經網絡參數化隨機矩陣流形，從而能夠在稀疏數據環境中估計時間非齊次馬可夫鏈。研究以金融市場為測試平台，檢驗馬可夫狀態變量作為關鍵歸納偏置的作用。實驗結果表明，以已實現波動率為條件，相比於基於回報的狀態，能產生更內部一致的馬可夫結構，實現了 Chapman-Kolmogorov 差異減少 5.6%，並在 10 個資產中的 9 個獲得更優的持有外似然率。與黑盒序列模型不同，這種方法生成顯式矩陣，便於直接進行幾何分析，從而揭示了在高波動率制度下轉移概率普遍均質化等結構性發現。