本研究创新性地将隐马尔可夫模型与 GARCH-Jump 方法相结合，构建了全新的 hmm-garch-jump 模型。这种融合突破了传统单一模型的局限性，充分发挥了两种方法的优势。传统的 GARCH-Jump 方法虽能识别跳跃点，但无法确定跳跃方向，而隐马尔可夫模型擅长捕捉状态切换。通过结合，不仅能够准确识别跳跃点，还能判断跳跃方向，同时有效地处理状态切换问题，为金融时间序列分析提供了更强大的工具。

方差预测与状态预测的并行处理
- 通过 GARCH-Jump 分析，得到了方差预测值。这个方差预测反映了金融时间序列的波动情况，尤其是在引入跳跃成分后，可以捕捉到可能的大幅波动点。
- 同时，构建隐马尔可夫模型msp并进行拟合得到，然后提取了状态预测值。HMM 的状态预测可以识别不同的市场状态，为判断股价跳跃点提供了另一个维度的信息。
跳跃点判断中的结合运用
- 将 GARCH-Jump 模型得到的方差预测值和 HMM 的状态预测值作为输入。
- 在判断跳跃点时，首先根据方差的变化情况进行初步筛选。如果当前方差大于某阈值的前一个方差，则认为可能发生了跳跃点。
- 结合 HMM 的状态预测值进一步判断跳跃的方向。如果当前状态预测值大于前一个状态预测值，则标记为正向跳跃，否则标记为负向跳跃。

用机器学习识别不断变化的股市状况—隐马尔可夫模型(HMM)股票指数预测实战

阅读文章 ➜

（二）隐马尔可夫模型

隐马尔可夫模型可以捕捉时间序列中的状态切换。

随时关注您喜欢的主题

在 R 语言中，可以使用depmixS4包构建隐马尔可夫模型。

# 构建隐马尔可夫模型set.seed(1)fmsp <- fit(msp)# 提取隐马尔可夫模型的状态预测

（三）结合 GARCH-Jump 和隐马尔可夫模型

通过自定义函数，根据 GARCH-Jump 的结果和隐马尔可夫模型的状态来判断跳跃点和跳跃方向。以下是关键代码：

# 自定义函数判断跳跃点和方向        directions[i] <- 1  # 正向跳跃      } else {        directions[i] <- -1  # 负向跳跃      }    }  }

三、结果与讨论

通过对金融时间序列数据进行分析，新构建的 hmm-garch-jump 模型能够有效地识别跳跃点和判断跳跃方向，同时捕捉到状态切换。可视化结果显示了模型在金融时间序列分析中的应用价值。

四、结论

本文提出的 hmm-garch-jump 模型结合了 GARCH-Jump 方法和隐马尔可夫模型的优点，为金融时间序列分析提供了一种新的工具。未来的研究可以进一步优化模型参数和扩展应用场景。

参考文献

[1]. 徐龙炳, 吴文彬, 2023. 过度反应、跳跃收益与A股动量策略[J]. 中国管理科学: 1-15.

[2]. Barndorff-Nielsen O E, Shephard N, 2006. Econometrics of Testing for Jumps in Financial Economics Using Bipower Variation[J]. Journal of Financial Econometrics, 4(1): 1-30.

[3]. Jiang G J, Oomen R C A, 2008. Testing for jumps when asset prices are observed with noise–a “swap variance” approach[J]. Journal of Econometrics, 144(2): 352-370.

[4]. Jiang G J, Zhu K X, 2017. Information Shocks and Short-Term Market Underreaction[J]. Journal of Financial Economics, 124(1): 43-64.

[5]. Meng Y, Li X, Xiong X, 2024. Information shocks and short-term market overreaction: The role of investor attention[J]. International Review of Financial Analysis, 93: 103219.