σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
学习路线›Hidden Markov Models
H

Hidden Markov Models 学习路线

已上线从这里开始

市场似乎会在平静期和动荡期之间切换,但没有人会宣布切换。隐马尔可夫模型把这个想法变成精确的形式:隐含状态按简单的概率变动,每天的收益是它的带噪信号。本技能用浅显的步骤讲解该模型,配有简短练习(要计算的数、要排序的步骤、要配对的概念)和金融示例:平静日与动荡日构成的链长期表现如何,如何用今天的收益更新对今天状态的信念,如何找出最可能的状态路径,模型如何从数据中学到自己的数,需要几个状态才够,以及为什么看了整段历史的状态信号是作弊。综合项目是一个代码实验:亲手写出这些算法,并在真实的 SPY 收益上检测状态。

3 个模块10 个评分实验~10小时中级 → 高级
开始学习路线

先修要求

需要概率和基本的贝叶斯更新(条件概率、贝叶斯公式)。无需马尔可夫或 HMM 背景。

  • PProbability
  • BBayesian Inference

课程大纲

10 个主题 · 可按任意顺序打开任一主题
  1. 1马尔可夫链回顾未开始40分钟开始
  2. 2隐含状态与发射未开始45分钟开始
  1. 3前向算法未开始1小时开始
  2. 4维特比解码未开始55分钟开始
  3. 5前向-后向平滑未开始55分钟开始
  4. 6Baum-Welch 与 EM未开始1小时 10分钟开始
  1. 7收益的高斯发射未开始55分钟开始
  2. 8选择状态数量未开始50分钟开始
  3. 9滤波与平滑以及前视陷阱未开始50分钟开始
  4. 10综合项目:基于指数数据的牛市熊市与危机状态检测器未开始1小时 40分钟开始

完成条件

以 70 分以上通过全部 10 个实验,即可完成学习路线,并在个人资料中获得 隐马尔可夫模型 徽章。

0 / 100%

先修要求

需要概率和基本的贝叶斯更新(条件概率、贝叶斯公式)。无需马尔可夫或 HMM 背景。

  • PProbability
  • BBayesian Inference

你将用到的工具

PythonNumPypandaspytest

你将学到

  • 用转移矩阵描述马尔可夫链,并找出它长期稳定在哪里
  • 写出前向算法和维特比解码,并说明它们各自回答什么问题
  • 用前向-后向平滑状态概率,并用 Baum-Welch 学习模型的数
  • 用高斯状态为收益建模,并选出数据支持的状态数量
  • 在真实收益中检测市场状态,并在检验状态信号时避开前视陷阱

下一条学习路线

PParticle filtering and non-stationary time series已上线
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
登录加入 ↗
登录