Hidden Markov Models sagen mir erst einmal nichts. Kannst du in einem Summary etwas erläutern was dein Ziel ist, und welche Mittel angewendet werden? Bitte nicht in dem Tonfall den du für deine Doktorarbeiten verwendest, sonst kommen wir hier nicht weiter.
Die Quantcademy scheint mir für den Einstieg geeigneter, einer von diesen Links ist mitten aus einem längeren table of contents gegriffen und hilft wirklich so niemandem.
Im Übrigen vertrete ich eher so die Meinung das Kursverläufe in Crypto keinen Gesetzen oder Regeln folgen, sondern frei manipuliert werden. Das ist eher eine Sache aus dem Bereich der Soziologie. Nun, auch der Kriminalistik. Du must da interdisziplinär rangehen.
Ein HMM ist ein Automat, welcher aus mehreren Zuständen besteht, welche man nicht beobachten kann. Die Zustände erzeugen mit bestimmten Wahrscheinlichkeiten Beobachtungen und zwischen den Zuständen wird mit bestimmten Wahrscheinlichkeitne gewechselt. Alles zusammen bildet ein Modell für irgendeine Sache. Wobei es noch die Markovketten gibt und meine Erklärung hier ziemlich ungenau ist, da es schon einige Jahre her ist, dass ich mich mit der Theorie beschäftigt habe. Mir fiel das nur die letzten Tage ein und per HMM geht das alles automatisch,
Irgendwo fand ich das Beispiel mit dem Gefangenen der im Gefängnis nicht nach draussen gucken kann. Was er aber sieht sind die Schuhe der Wärter (die Beobachtung). Anhand des Schmutzes an deren Schuhen und Wissen über die Wahrscheinlichkeit des Wetter-Wechsels (Regen, Sonne sind dann die Zustände) kann der Gefangene nun berechnen, wie das Wetter draussen ist bzw. was das wahrscheinlichste Wetter draussen ist. Ganz grob und schnell erklärt.
Anderes Beispiel: in der DNA gibt es sogenannte CpG-Islands, das sind Basenfolgen wo verstärkt C und G vorkommen (die stabilisieren die DNA z.B. bei erhöhter Temperatur) und weniger A und T. Und es gibt normale Basenfolgen aus A, C, G und T. Das wären dann die zwei Zustände: CpG-Island und Nicht-CpG-Island. Man kann nun die Islands modellieren und dann auf unbekannten Sequenzen die CpG-Islands ausfindig machen.
Oder eben bei Kursverläufen, unter der Annahme, dass es bärische und bullische Perioden gibt (wieder die zwei Zustände, man kann aber auch noch einen dritten dazu nehmen: seitwärts), kann man berechnen wo die sich befinden. Man hat dann ein quantitatives Modell, welches einem sagen kann in welcher Periode man sich aktuell wahrscheinlich befindet.
Was die Eignung der Modelle angeht: Nun, da muss man halt nehmen was funktioniert. Man kann im Bildchen, welches mein Beispielcode erzeugt, die Blasen gut ausmachen. Sind relativ kurz. Und dann gibt es noch die anderen zwei Zustände. Das Bildchen ist jedoch recht unübersichtlich. Ich denke aber, dass es ziemlich einfach ist das Modell zu erweitern und zu verbessern, z.B. indem man weiter in die Vergangenheit guckt anstatt nur auf den letzten Zustand. Das war jetzt nur ein Dreizeiler als Proof of Concept. Mal abgesehen davon, dass sowas bei den Börsenprofis sicherlich schon seit Jahren genutzt wird.
