Dans le contexte de la complexité et de la volatilité des marchés financiers, la prédiction des prix des actions reste un sujet de recherche difficile. Les modèles de chaînes de Markov, avec leur nature « sans mémoire », fournissent un cadre probabiliste pour analyser la dynamique des prix des actions. Cet article passe en revue diverses applications des chaînes de Markov dans les prévisions boursières, y compris les modèles à temps discret et à temps continu, l'approche du modèle de Markov caché à Maximum A Posteriori, les approches hybrides combinées avec des réseaux de neurones ou l'inférence bayésienne, et les modèles prédictifs basés sur des chaînes de Markov. Des études de cas montrent que les chaînes de Markov peuvent capturer efficacement les fluctuations à court terme, identifier le comportement d'équilibre à long terme et fournir des conclusions interprétables avec des exigences minimales en matière de données. Cependant, cette approche présente également des limites : la plupart des modèles s'appuient uniquement sur les prix historiques, supposent des probabilités de transition constantes et ignorent souvent les facteurs macroéconomiques ou les chocs de marché soudains. Les recherches futures pourraient explorer les chaînes de Markov d'ordre supérieur, intégrer plusieurs entrées telles que le volume de négociation et les corrélations des actions, et intégrer des données en temps réel pour améliorer la précision et la robustesse des prévisions. Dans l'ensemble, bien que les chaînes de Markov aient du mal à prédire des prix exacts, elles conservent une valeur d'application significative dans la prévision probabiliste, l'optimisation de portefeuille et la gestion des risques, en particulier lorsqu'elles sont combinées avec des grandes données et des technologies computationnelles.
Henghua Jia (Mon,) a étudié cette question.