086 引入马尔可夫链 (第2/2页)
　　
　　“加拉普拉斯平滑。”陈帆说，“给每个转移路径加一，避免零概率问题。然后归一化，得到最终的转移概率矩阵。”
　　
　　代码再次运行。几分钟后，一个五乘五的矩阵成型。主对角线上的数值普遍偏低，说明市场一旦进入某种状态，往往不会停留太久。而“W→D”的概率高达0.68，“S→U”和“S→D”接近均衡，分别为0.41和0.39。
　　
　　“有意思。”张远凑近屏幕，“也就是说，一旦出现上涨衰竭信号，超过三分之二的可能性会转入下跌延续。这不是情绪判断，是历史行为统计。”
　　
　　“接下来验证。”陈帆切换到回测模块，“用这个模型去预测已知序列中的下一个状态，看看准确率。”
　　
　　第一轮测试选取2017年全年数据，涵盖震荡与局部牛市。结果显示，整体预测准确率为56.3%，相比原有模型提升6.3个百分点。
　　
　　不算高。
　　
　　“样本太短。”陈帆摇头，“而且避开了剧烈转折期。我们要看的是牛熊切换时的表现。”
　　
　　他重新划定测试区间：2000年1月至2001年6月。那是互联网泡沫破裂前后，创业板虽未设立，但中小市值个股波动剧烈，具备典型趋势逆转特征。
　　
　　李阳更新参数，重新加载数据集。这次，系统逐日模拟状态转移，并与实际走势比对。
　　
　　等待结果的几分钟里，没人说话。服务器风扇低鸣，终端光标缓慢前进。
　　
　　“出来了。”李阳轻声说。
　　
　　准确率：75.2%。在“上涨衰竭→下跌延续”这一关键路径上，命中率达到81.4%。
　　
　　“提升了十九个百分点。”张远喃喃道，“而且是在最难预测的阶段。”
　　
　　李阳盯着那张热力图，忽然笑了，“这数学结构……真干净。每一个状态都是出口，也是入口。你不需要知道之前走了多远，只需要看清此刻站在哪里。”
　　
　　“这就是马尔可夫的意义。”陈帆缓缓靠向椅背，“它不追求完美拟合历史，而是抓住动态规律的本质——变化本身也有模式。”
　　
　　他站起身，走到主控台前，将新模型封装为独立模块，命名为“MarkovChain_TrendV1”。随后接入实时数据流，设定每收盘后自动更新一次转移矩阵。
　　
　　“以后每天闭市，系统都会重新计算最新概率分布。”他说，“当某个转移路径的频率显著上升，比如‘S→D’突然变快，就意味着市场环境正在倾斜。”
　　
　　张远端起桌上冷掉的咖啡喝了一口，忽然咧嘴一笑：“要是这玩意真能预判崩盘，咱以后就不只是操盘手了。”
　　
　　李阳没接话。他打开笔记本，新建文档，标题打了六个字：“马尔可夫状态机”，又停下，盯着屏幕边缘一闪而过的状态提示栏。
　　
　　那个绿色的小图标刚刚跳动了一下，从S变成了W。
　　
　　“等等。”他的手指悬在键盘上方，“‘中青宝’刚刚被标记为‘上涨衰竭’。”
　　
　　陈帆立刻看向主屏。该股今日涨幅4.2%，量能较昨日放大两成，但MACD红柱明显缩窄，RSI达到78。
　　
　　“按照新模型，”李阳低声说，“它明天有六成八的概率转入下跌延续。”