Hidden Markov Models: Applications to Financial Economics

زنجیره های مارکوف به طور فزاینده ای به روشی مفید برای گرفتن ماهیت تصادفی بسیاری از متغیرهای اقتصادی و مالی تبدیل شده اند. اگرچه فرآیندهای پنهان مارکوف مدتی است که به طور گسترده در بسیاری از کاربردهای مهندسی به کار گرفته شده اند. تشخیص گفتار، اثربخشی آن اکنون در حوزه‌های تحقیقات علوم اجتماعی نیز شناخته شده است. هدف اصلی مدل‌های مارکوف پنهان: کاربردها در اقتصاد مالی این است که چنین تکنیک‌هایی را در اختیار محققان بیشتری در اقتصاد مالی قرار دهد. به این ترتیب، ما تنها جنبه‌های نظری لازم را در هر فصل پوشش می‌دهیم در حالی که بر کاربردهای زندگی واقعی با استفاده از داده‌های معاصر عمدتاً از گروه کشورهای OECD تمرکز می‌کنیم. فرض اساسی در اینجا این است که محققان اقتصاد مالی با چنین کاربردهایی آشنا هستند، اگرچه تکنیک های تجربی بیشتر اقتصاد سنجی سنتی هستند. با نگه داشتن سطح برنامه در یک سطح آشناتر، ما بر روش شناسی مبتنی بر فرآیندهای پنهان مارکوف تمرکز می کنیم. ما معتقدیم که این به خواننده کمک می‌کند تا درک عمیق‌تری از مسائل مدل‌سازی ایجاد کند و از این طریق به تحقیقات آتی آنها کمک کند.

Markov chains have increasingly become useful way of capturing stochastic nature of many economic and financial variables. Although the hidden Markov processes have been widely employed for some time in many engineering applications e.g. speech recognition, its effectiveness has now been recognized in areas of social science research as well. The main aim of Hidden Markov Models: Applications to Financial Economics is to make such techniques available to more researchers in financial economics. As such we only cover the necessary theoretical aspects in each chapter while focusing on real life applications using contemporary data mainly from OECD group of countries. The underlying assumption here is that the researchers in financial economics would be familiar with such application although empirical techniques would be more traditional econometrics. Keeping the application level in a more familiar level, we focus on the methodology based on hidden Markov processes. This will, we believe, help the reader to develop more in-depth understanding of the modeling issues thereby benefiting their future research.