当前位置：首页 > news >正文

用Python和NumPy手把手教你模拟股市预测：从状态转移矩阵到稳态分布

news 2026/5/30 1:11:29

用Python和NumPy手把手教你模拟股市预测：从状态转移矩阵到稳态分布

金融市场的波动总是让人捉摸不透，但数学却能为我们提供一种独特的视角。想象一下，如果能够用代码模拟股市的牛熊转换，预测长期趋势，那该有多酷？今天我们就用Python和NumPy，从零开始构建一个马尔可夫链模型，带你体验量化金融的奇妙世界。

1. 环境准备与基础概念

在开始编写代码前，我们需要明确几个关键概念。马尔可夫链的核心思想是"未来只取决于现在"，这种特性在金融时间序列分析中尤为重要。我们将股市简化为三种状态：

牛市（Bull Market）：股价持续上涨
熊市（Bear Market）：股价持续下跌
横盘（Stagnant Market）：股价波动较小

安装必要的Python库非常简单：

pip install numpy matplotlib

马尔可夫链的数学本质可以用转移概率矩阵表示。假设当前是牛市，那么下个周期：

保持牛市的概率：0.9
转为熊市的概率：0.075
转为横盘的概率：0.025

这种关系可以用矩阵表示为：

当前\下一状态	牛市	熊市	横盘
牛市	0.9	0.075	0.025
熊市	0.15	0.8	0.05
横盘	0.25	0.25	0.5

注意：矩阵每行概率之和必须严格等于1，这是马尔可夫链的基本要求。

2. 构建状态转移模型

让我们用NumPy来实现这个转移矩阵。首先导入必要的库：

import numpy as np import matplotlib.pyplot as plt # 定义状态转移矩阵 transition_matrix = np.array([ [0.9, 0.075, 0.025], # 牛市转移概率 [0.15, 0.8, 0.05], # 熊市转移概率 [0.25, 0.25, 0.5] # 横盘转移概率 ]) # 验证每行概率和为1 assert np.allclose(transition_matrix.sum(axis=1), 1.0), "概率矩阵行和不为1"

为了直观理解状态转移，我们可以模拟几个周期：

def simulate_markov_chain(initial_state, matrix, steps): states = ['牛市', '熊市', '横盘'] current_state = initial_state print(f"初始状态: {states[current_state]}") for i in range(steps): current_state = np.random.choice( len(states), p=matrix[current_state] ) print(f"第{i+1}步后状态: {states[current_state]}")

运行模拟：

simulate_markov_chain(0, transition_matrix, 10)

典型输出可能如下：

初始状态: 牛市 第1步后状态: 牛市 第2步后状态: 牛市 第3步后状态: 熊市 第4步后状态: 熊市 第5步后状态: 牛市 ...

3. 计算稳态分布

马尔可夫链最迷人的特性之一是最终会收敛到一个稳态分布，无论初始状态如何。数学上，稳态分布π满足：

π = πP

我们可以通过矩阵幂次法来求解：

def find_steady_state(matrix, tolerance=1e-8): n = matrix.shape[0] pi = np.ones(n) / n # 初始猜测 while True: new_pi = pi @ matrix if np.linalg.norm(new_pi - pi) < tolerance: break pi = new_pi return pi steady_state = find_steady_state(transition_matrix) print(f"稳态分布: {steady_state}")

对于我们的股市模型，输出应该是：

稳态分布: [0.625 0.3125 0.0625]

这意味着长期来看：

62.5%的时间处于牛市
31.25%的时间处于熊市
6.25%的时间处于横盘

4. 可视化收敛过程

为了更直观地理解收敛过程，我们可以绘制状态概率随时间变化的曲线：

def plot_convergence(initial_dist, matrix, steps=20): history = [initial_dist] current = initial_dist for _ in range(steps): current = current @ matrix history.append(current) history = np.array(history) plt.figure(figsize=(10, 6)) plt.plot(history[:, 0], label='牛市概率') plt.plot(history[:, 1], label='熊市概率') plt.plot(history[:, 2], label='横盘概率') plt.xlabel('时间步') plt.ylabel('概率') plt.title('状态概率收敛过程') plt.legend() plt.grid(True) plt.show() # 假设初始分布为[0.3, 0.4, 0.3] plot_convergence(np.array([0.3, 0.4, 0.3]), transition_matrix)

图表会清晰地展示不同状态概率如何随时间收敛到稳态值。这种可视化对于理解马尔可夫链的长期行为非常有帮助。

5. 实际应用与扩展

理解了基本原理后，我们可以将这个模型应用到更实际的场景中。例如，基于历史数据估计转移概率：

def estimate_transition_matrix(data): """ 根据历史状态序列估计转移矩阵 data: 状态序列，如[0,0,1,2,0,...] """ n_states = len(set(data)) matrix = np.zeros((n_states, n_states)) for (i, j) in zip(data[:-1], data[1:]): matrix[i][j] += 1 # 归一化 row_sums = matrix.sum(axis=1, keepdims=True) return matrix / row_sums # 示例历史数据：0=牛市，1=熊市，2=横盘 historical_data = [0,0,1,1,0,2,0,1,1,1,0,0,2,2,0] estimated_matrix = estimate_transition_matrix(historical_data) print("估计的转移矩阵:\n", estimated_matrix)

对于更复杂的金融应用，我们可以考虑：