了解不同的市场状况如何影响您的策略表现可能会对您的收益产生巨大的影响。
某些策略在波动剧烈的市场中表现良好，而其他策略则需要强劲而平稳的趋势，否则将面临长时间的下跌风险。搞清楚什么时候开始或停止交易策略，调整风险和资金管理技巧，甚至设置进入和退出条件的参数都取决于市场“状态”或当前的情况。
能够识别不同的市场制度并相应地改变您的策略可能意味着市场成功和失败之间的区别。在本文中，我们将探讨如何通过使用一种强大的机器学习算法来识别不同的市场机制，称为“隐马尔可夫模型”。
隐马尔可夫模型
马尔科夫模型是一个概率过程，看当前的状态来预测下一个状态。一个简单的例子就是看天气。假设我们有三个天气条件（也称为“国家”或“政权”）：多雨，阴天，晴天。如果今天下雨，马尔可夫模型寻找每个不同的天气情况发生的概率。例如，明天可能继续下雨的概率较高，多云的可能性略低，晴天可能性较小。
今天的天气明天的天气变化的概率
多雨的多雨的65％
多雨的多云的25％
多雨的晴朗10％
多云的多雨的55％
多云的多云的20％
多云的晴朗25％
晴朗多雨的10％
晴朗多云的30％
晴朗晴朗60％
这似乎是一个非常简单的过程，但其复杂性在于不知道每个状态转移的概率，以及如何解释这些随时间变化的概率。这就是隐马尔可夫模型（HMM）发挥作用的地方。他们能够估计每个状态的转移概率，然后根据目前的情况输出最可能的状态。
我们可以将市场定义为看涨，看跌，平稳，或者波动率高或者低，或者我们知道的一些因素的综合影响我们的策略的表现，而不是天气条件。
构建真实数据模型
我们正在寻找基于这些因素的不同的市场制度，然后我们可以用它来优化我们的交易策略。为此，我们将使用EUR / USD数据来构建模型。
首先，构建我们的数据集。
ModelData <-data.frame（LogReturns，ATR）＃为我们的HMM模型创建数据 ModelData <-ModelData [-c（1:14），]＃删除计算指标数据 colnames（ModelData）< - c（“LogReturns”，“ATR”）#命名我们的列
我们将对数收益率和ATR设置为我们的因变量。使用我们刚刚构建的数据框架，要设置3个不同的状态，并将因变量分布设置为高斯分布。
HMMfit <-fit（HMM，verbose = FALSE）＃将我们的模型添加到数据集中
转移矩阵给了我们从一个状态动到下一个状态的概率。
HMMpost <-posterior（HMMfit）＃查找我们的数据集中每个状态的后验概率
我们可以看到，我们现在有每个状态的概率以及最高概率类别。
让我们看看发现了什么：
每个状态的概率：
我们可以看到，状态3往往是高波动和大幅度波动的时期，状态2的特点是中等波动，状态1是低波动的。
隐马尔可夫模型是强大的工具，可以让你洞察不断变化的市场状态。
