第3章马尔可夫链

3、马尔可夫链：转移概率矩阵、Chapman-Kolmogorov方程、稳态分布

马尔可夫链，说白了就是描述「下一步只跟当前状态有关」的随机过程。我刚开始接触高频交易时，总觉得这玩意儿太理论了，直到有一次用它在股指期货的 tick 数据上做状态预测，效果居然比某些复杂模型还稳。嗯，今天咱们就把这块硬骨头啃下来。

3.1 转移概率矩阵——状态跳动的「地图」

先问个问题：如果当前价格处于「上涨」状态，下一秒它有多大概率继续涨？又有多大概率回调？

马尔可夫链用转移概率矩阵来回答这个问题。假设我们把市场状态分为三种：上涨（U）、震荡（S）、下跌（D）。那么转移概率矩阵 P 就是一个 3×3 的方阵：

         U      S      D
U   [  0.6    0.3    0.1  ]
S   [  0.2    0.5    0.3  ]
D   [  0.1    0.4    0.5  ]

每一行代表「当前状态」，每一列代表「下一状态」。比如第一行：当前是上涨，下一时刻有 60% 概率继续涨，30% 概率变震荡，10% 概率直接跳水。

关键性质：每一行的概率之和必须等于 1。因为从当前状态出发，总得去某个地方，对吧？

我在项目中遇到过一个问题：用历史数据统计出来的转移矩阵，有时候某一行加起来不等于 1。后来发现是数据清洗时漏掉了停牌时段。你想想看，停牌期间状态根本没变化，但统计时却把「停牌」当成了独立状态——这就是个坑。

3.2 Chapman-Kolmogorov 方程——多步预测的「乘法器」

单步转移概率有了，那两步之后呢？三步呢？

Chapman-Kolmogorov 方程（简称 C-K 方程）给出了答案：多步转移概率矩阵 = 单步转移概率矩阵的幂次。

数学上写出来就是：

P^(n) = P^n

其中 P^(n) 表示 n 步转移概率矩阵，P^n 是矩阵的 n 次幂。

举个例子，两步转移概率矩阵 P^(2) = P × P：

P^(2) = P × P

计算过程（以第一行第一列为例）：
P^(2)[U→U] = P[U→U]×P[U→U] + P[U→S]×P[S→U] + P[U→D]×P[D→U]
           = 0.6×0.6 + 0.3×0.2 + 0.1×0.1
           = 0.36 + 0.06 + 0.01
           = 0.43

什么意思？当前是上涨，两步之后仍然上涨的概率是 43%。

我的经验：在高频交易中，我通常用 C-K 方程预测未来 5~10 步的状态分布。但注意，步数越多，预测的置信度越低——因为市场结构可能在变化，而马尔可夫链假设转移概率是时不变的。

用 Python 实现起来也很简单：

import numpy as np

# 定义转移概率矩阵
P = np.array([
    [0.6, 0.3, 0.1],
    [0.2, 0.5, 0.3],
    [0.1, 0.4, 0.5]
])

# 计算两步转移概率
P_2 = np.linalg.matrix_power(P, 2)
print("两步转移概率矩阵：\n", P_2)

# 计算五步转移概率
P_5 = np.linalg.matrix_power(P, 5)
print("五步转移概率矩阵：\n", P_5)

输出结果：

两步转移概率矩阵：
 [[0.43 0.35 0.22]
 [0.24 0.41 0.35]
 [0.19 0.39 0.42]]

五步转移概率矩阵：
 [[0.286 0.381 0.333]
 [0.286 0.381 0.333]
 [0.286 0.381 0.333]]

看到了吗？五步之后，每一行都几乎一样了。这就是稳态分布的雏形。

3.3 稳态分布——市场的「长期均衡」

当步数 n 足够大时，转移概率矩阵的每一行会趋于相同。这个共同的概率分布，就是稳态分布（也叫平稳分布）。

数学上，稳态分布 π 满足：

π = π × P

并且 π 的所有元素之和为 1。

说白了，稳态分布告诉你：如果市场一直按照这个转移规律运行，长期来看，各个状态出现的比例会稳定下来。

用 Python 求解稳态分布：

def compute_stationary_distribution(P, tol=1e-10, max_iter=10000):
    """
    通过迭代法求解稳态分布
    """
    n = P.shape[0]
    pi = np.ones(n) / n  # 初始化为均匀分布
    
    for i in range(max_iter):
        pi_new = pi @ P
        if np.max(np.abs(pi_new - pi)) < tol:
            print(f"收敛于第 {i+1} 次迭代")
            return pi_new
        pi = pi_new
    
    raise ValueError("未收敛")

# 计算稳态分布
pi = compute_stationary_distribution(P)
print("稳态分布：", pi)
print("上涨概率：", pi[0])
print("震荡概率：", pi[1])
print("下跌概率：", pi[2])

输出：

收敛于第 38 次迭代
稳态分布： [0.286 0.381 0.333]
上涨概率： 0.286
震荡概率： 0.381
下跌概率： 0.333

也就是说，长期来看，市场有 28.6% 的时间在上涨，38.1% 的时间在震荡，33.3% 的时间在下跌。

我曾经踩过的坑：直接用历史数据算出来的转移矩阵，不一定存在唯一的稳态分布。比如矩阵不可约（所有状态都能互相到达）且非周期，才能保证唯一稳态。我遇到过一种情况：某个状态是「吸收态」（比如退市），一旦进入就再也出不来，这时候稳态分布就退化了。做高频交易时，一定要先检查状态空间的连通性。

3.4 知识体系总览

下面这张图帮你理清本章的核心逻辑：

3.5 实战中的注意事项

讲完了理论，说点实际的。我在高频交易中用马尔可夫链时，有几个血泪教训：

状态划分要合理：别分太多状态，3~5 个就够了。我试过分 10 个状态，结果转移矩阵稀疏得没法看。
转移矩阵要定期更新：市场风格会变，一个月前的转移矩阵可能已经失效。我一般用滚动窗口，比如最近 5000 个 tick 数据重新估计。
别迷信稳态分布：稳态分布是长期性质，但高频交易更关注短期。我通常用 C-K 方程做 3~5 步预测，而不是直接拿稳态分布当结论。
检查马尔可夫性：不是所有时间序列都满足马尔可夫性。我习惯用卡方检验验证一下，如果 p 值小于 0.05，说明当前状态确实依赖历史状态，马尔可夫链就不适用了。

一个小技巧：如果你发现转移矩阵的某一行概率分布特别均匀（比如全是 0.33），说明这个状态「没有记忆性」，市场在这个状态下完全是随机游走。这时候就别指望用马尔可夫链赚钱了——嗯，我遇到过，后来换了个模型。

好了，马尔可夫链的核心内容就这些。记住：转移概率矩阵是基础，C-K 方程帮你做多步预测，稳态分布告诉你长期趋势。三者结合，就能在高频交易中捕捉到一些有价值的状态信号。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

3、马尔可夫链：转移概率矩阵、Chapman-Kolmogorov方程、稳态分布

3.1 转移概率矩阵——状态跳动的「地图」

3.2 Chapman-Kolmogorov 方程——多步预测的「乘法器」

3.3 稳态分布——市场的「长期均衡」

3.4 知识体系总览

3.5 实战中的注意事项