基于马尔可夫链的矩阵预测模型（基础篇）
用马尔可夫链把市场拆成状态转移
传统统计在外汇和贵金属这种高波动品种上经常失灵，神经网络又黑箱难解释。中间路线是概率模型：假设当前价格状态已经隐含了历史路径信息，市场只是在若干离散状态之间跳来跳去。 这套思路把行情建模成状态转移系统，靠技术指标、周期和成交量的组合来定义状态。MT5 上做这类实验，本质就是先离散化价格，再统计转移频率。 原文作者提到，模型把概率论的简洁和机器学习的实用揉在一起，认为市场看似随机，实则通过技术组合露出规律。外汇/贵金属杠杆高、跳空频繁，这类概率模型只能给出倾向性参考，实盘前务必在 MT5 策略测试器里跑历史数据验证。
「马尔可夫性如何喂饱了华尔街模型」
安德烈·马尔可夫在20世纪初给出的那个想法很朴素：系统下一刻去哪，只跟现在有关，不翻旧账。这种“无记忆”特性后来被叫作马尔可夫性，它绕开了历史路径依赖，让建模者只用当前状态就能推下一步，成了量化金融里一大票随机过程模型的底层假设。 把状态想成空间里的点，马尔可夫链就是按概率在这些点之间跳的系统。它的漂亮之处在于，用一组转移概率就能描述看似混乱的价格游走，复杂过程被压成了可计算的矩阵运算。 数学上，链由转移矩阵 P 定义，P(i,j) 是从状态 i 跳到 j 的概率。核心递推只有一行： π(t+1) = π(t) · P 这里 π(t) 是 t 时刻各状态的概率向量。在 MT5 里你可以把 K 线状态离散成涨/跌/平，用历史数据估出 P，再拿 π(t) 乘一遍看下一步分布倾向——外汇与贵金属波动受杠杆与事件驱动，高风险，矩阵平稳分布不等于行情必然收敛。
π(t+class="num">1) = π(t) · P◍ 离散框架之外的连续与隐状态建模
经典马尔可夫链用离散状态和离散时间，适合把价格区间、交易时段这类东西切成格子来算转移概率。但它不是只管离散，理论里也含连续过程，维纳过程就是典型——它描述布朗运动，也是 Black-Scholes 期权定价公式的底层的数学假定。 隐马尔可夫模型（HMM）往前走了一步：真实状态看不见，只能靠间接信号反推。这跟盘面很对味，所谓“趋势”或“震荡”从来不是行情软件直接打印出来的，得从价格和成交量里间接认。 弱式有效市场假说讲历史价没法预测未来，这等价于默认价格序列有马尔可夫性。学界吵它完不完全成立，但实证里马尔可夫近似在不少实际问题上的精度出乎意料。 在 MT5 上能落的方向很实：用历史状态转移统计押后续方向、自动分趋势/横盘/过渡、按状态切策略参数、用当前状态和转移概率估大波动可能。外汇和贵金属波动杠杆高，这类概率结论只作参考，实盘须防极端跳空。
用转移矩阵把行情状态代数化
马尔可夫模型落进图表里，核心就是一张转移矩阵：行是当前状态，列是下一状态，格子里填的是对应跳转概率。把行情切成 n 个状态后，矩阵就是 n×n，而且每一行加总必须等于 1——因为价格下一根 K 线总得落在某个状态里，不可能凭空消失。 这套框架真正好用之处在于能迭代。从状态 i 走 k 步到状态 j 的概率，直接查 P 的 k 次幂里对应元素就行。实操中拿 MT5 导出的状态序列算 P^2、P^3，就能推两三步后的偏向；但步长一拉长，边缘概率会被摊平，远程预测基本只剩模糊倾向。 更值得盯的是 k 趋近无穷时的极限。满足遍历性（任意状态有限步可达其余状态）的链存在唯一平稳分布 π*，解 π* = π*·P 即可。它意味着无外部冲击时，市场在各状态停留的时间占比长期锁死，这算是价格行为里少数能用数学钉死的结构特征。外汇和贵金属波动受事件驱动强，这套分布随时可能被黑天鹅打穿，只能当概率骨架而非铁律。
π* = π* · P
「状态聚类与转移矩阵的实际训练路径」
把马尔可夫模型搬进 MT5 做行情建模，先得解决两件事：状态怎么切、转移概率怎么估。状态切分常见三条路——分析师按阈值手划、K-means 等算法自动聚类、把连续指标离散化再组合。我们对价格、时间、成交量分别跑 K-means，既留了可解释性，也能从数据里直接抽特征。 转移概率靠历史频次统计：扫一遍序列，状态 i 跳到状态 j 的次数除以 i 的总出现次数，就是对应转移权重。罕见跳转若样本太少，估计会飘，简单做法是加伪计数，或者上贝叶斯先验把稀疏项拉平滑。 下面这段是训练核心的简化实现：每组特征独立聚类，再沿状态序列累加跳转、最后按行归一。注意 n_clusters_per_group=3 时，若你喂了价格/时间/成交量三组，状态空间会到 3×3×3=27 维，矩阵归一循环写死 range(9) 只适配单组 3 簇，多组得改维度。外汇与贵金属波动受事件驱动，状态迁移高频跳变，实盘前请用足够样本回测，转移估计可能随品种周期漂移。
<span class="keyword">def</span> create_state_clusters(feature_groups, n_clusters_per_group=<span class="number">class="num">3</span>): <span class="keyword">for</span> group_name, group_data <span class="keyword">in</span> feature_groups.items(): <span class="keyword">if</span> group_name != <span class="class="type">class="kw">string">&class="macro">#x27;all&class="macro">#x27;</span>: kmeans = KMeans(n_clusters=n_clusters_per_group, random_state=<span class="number">class="num">42</span>, n_init=<span class="number">class="num">10</span>) clusters = kmeans.fit_predict(group_data[<span class="class="type">class="kw">string">&class="macro">#x27;data&class="macro">#x27;</span>]) group_clusters[group_name] = clusters kmeans_models[group_name] = kmeans <span class="keyword">for</span> i <span class="keyword">in</span> <span class="built_in">range</span>(<span class="built_in">len</span>(states) - <span class="number">class="num">1</span>): curr_state = states[i] next_state = states[i + <span class="number">class="num">1</span>] <span class="comment"># Increase the transition counter</span> transition_matrix[curr_state, next_state] += <span class="number">class="num">1</span> <span class="comment"># If the next candle is bullish, increase the rise counter</span> <span class="keyword">if</span> i + <span class="number">class="num">1</span> < <span class="built_in">len</span>(labels) <span class="keyword">and</span> labels[i + <span class="number">class="num">1</span>] == <span class="number">class="num">1</span>: rise_matrix[curr_state, next_state] += <span class="number">class="num">1</span> <span class="comment"># Normalization of the transition matrix</span> <span class="keyword">for</span> i <span class="keyword">in</span> <span class="built_in">range</span>(<span class="number">class="num">9</span>): row_sum = np.<span class="built_in">sum</span>(transition_matrix[i, :]) <span class="keyword">if</span> row_sum > <span class="number">class="num">0</span>: state_transitions[i, :] = transition_matrix[i, :] / row_sum