Bajo la condición de complejidad y volatilidad de los mercados financieros, la predicción de precios de acciones sigue siendo un tema de investigación desafiante. Los modelos de cadenas de Markov, con su naturaleza "sin memoria", proporcionan un marco probabilístico para analizar la dinámica de precios de acciones. Este artículo revisa diversas aplicaciones de cadenas de Markov en la previsión de acciones, incluidos modelos de tiempo discreto y continuo, el enfoque del modelo oculto de Markov máximo a posteriori, enfoques híbridos combinados con redes neuronales o inferencia bayesiana, y modelos predictivos basados en cadenas de Markov. Estudios de caso demuestran que las cadenas de Markov pueden capturar efectivamente las fluctuaciones a corto plazo, identificar el comportamiento de estado estacionario a largo plazo y proporcionar conclusiones interpretables con requisitos de datos mínimos. Sin embargo, este enfoque también tiene limitaciones: la mayoría de los modelos se basa únicamente en precios históricos, asumen probabilidades de transición constantes y a menudo ignoran factores macroeconómicos o choques repentinos del mercado. Investigaciones futuras podrían explorar cadenas de Markov de orden superior, incorporar múltiples entradas como volumen de comercio y correlaciones de acciones, e integrar datos en tiempo real para mejorar la precisión y robustez del pronóstico. En general, aunque las cadenas de Markov luchan por predecir precios exactos, todavía tienen un valor significativo de aplicación en la previsión probabilística, optimización de carteras y gestión de riesgos, particularmente cuando se combinan con grandes datos y tecnologías computacionales.
Henghua Jia (Mon,) estudió esta cuestión.