背景 Calvet＆Fisher（2004，2008）的马尔可夫切换多重分形随机波动率模型（MSM）允许对高维状态空间进行简化描述。 在Collins（2020）中，我证明了当扩展状态空间，使用高频数据以及考虑微结构噪声时，MSM的样本外性能得到改善。 我使用Python实现的MSM启用了最大似然估计和分析预测功能，具有多达13个波动率频率和8,000多个状态，是以前文献的八倍，在此版本中提供了代码（请参见MSM_03.py）。 MSM的此Python实现引入了一种随机算法，该算法结合了启发式过程和本地搜索，以结合本地优化对状态空间进行增强的探索。 在我的工作中，严格准备和清理数据，稀疏采样以及以最佳出价和要价各自深度加权的回报创新，减轻了微结构噪音。 这些发展形成了一个规格齐全的模型，可以更好地利用大型高频（HF）数据集提供给它的增加的信息。 样本中模型选择测试显示，随着引入更多的波动

esearchers in spatial statistics and image analysis are familiar with Gaussian Markov Random Fields (GMRFs), and they are traditionally among the few who use them. There are, however, a wide range of applications for this methodology, from structural time-series analysis to the analysis of longitudinal and survival data, spatio-temporal models, graphical models, and semi-parametric statistics. With so many applications and with such widespread use in the field of spatial statistics, it is surprising that there remains no comprehensive reference on the subject. Gaussian Markov Random Fields: Theory and Applications provides such a reference, using a unified framework for representing and understanding GMRFs. Various case studies illustrate the use of GMRFs in complex hierarchical models, in which statistical inference is only possible using Markov Chain Monte Carlo (MCMC) techniques. The preeminent experts in the field, the authors emphasize the computational aspects, construct fast and reliable algorithms for MCMC inference, and provide an online C-library for fast and exact simulation. This is an ideal tool for researchers and students in statistics, particularly biostatistics and spatial statistics, as well as quantitative researchers in engineering, epidemiology, image analysis, geography, and ecology, introducing them to this powerful statistical inference method.

基于Poisson-Markov分布最大后验概率的多通道超分辨率盲复原算法

Market-Markov:用马尔可夫链分析股票市场

从零开始的应用概率论 数据和幻灯片与在线网络研讨会系列一起提供：Data For Science的 。 在Binder中运行代码： 机器学习和人工智能的最新进展引起了计算机科学和数学这两个领域的极大关注和兴趣。 这些进步和发展中的大多数都依赖于随机模型和概率模型，需要对概率论以及如何将其应用于每种特定情况有深入的了解。 在本讲座中，我们将以动手和渐进的方式介绍概率论的理论基础以及诸如工业和学术界实际应用中常用的马尔可夫链，贝叶斯分析和A / B测试等最新应用。 时间表 基本定义和直觉 了解什么是概率 计算不同结果的可能性 根据特定的概率分布生成数字 根据样本估算种群数量 随机游走和马尔可夫链 模拟一维随机游走 了解网络上的随机游走 定义马尔可夫链 实施PageRank 贝叶斯统计 了解条件概率 派生贝叶斯定理 了解如何更新信仰 A / B测试 了解假设检验 测量p值 比较两个结果的可能

马尔可夫链的必学资料，其他概率书上没有讲的markov东西都在这里

大数据-算法-课程数据分析的Markov链模型.pdf

基于CA-Markov 模型的昌化江流域土地利用动态变化

基于CA-Markov 模型的土地利用格局变化研究

Markov Decision Process (MDP) Algorithm.zip，这是一份不错的文件