Las Cadenas de Markov

Del estado de hoy a la probabilidad de mañana

El Research presenta primero el concepto: procesos de apariencia aleatoria que dependen sobre todo del estado presente y no del pasado completo. Lo ilustra con un ejemplo sobre el S&P500 con dos estados definidos por el retorno diario, en el que se cuentan las transiciones observadas y se normaliza cada fila para obtener la matriz de transición.

Después introduce los Modelos Ocultos de Markov, en los que el estado se define a partir de varias variables, como el retorno, la volatilidad y el volumen, y desarrolla un ejemplo del cálculo de las probabilidades del día siguiente multiplicando el vector de probabilidades por la matriz. El desarrollo paso a paso y las matrices del ejemplo se encuentran en el Research.