马尔可夫链 | 市场如何在无记忆状态下保持记忆

1. 图示
   观察依据

   一条黑色的钟形曲线绘制在水平轴上方；曲线中央部分下方有一片浅蓝色阴影区域，一根红色箭头指向曲线的峰值。

2. 声音
   观察依据

   旁白说道：“钟形曲线告诉我们不同结果出现的可能性。”

bell curve

一种用于直观描述某一时刻不同结果出现可能性的概率分布形状。

概率分布的可视化示意图；未明确说明其具体的数学定义域。

1. 图示
   观察依据

   一个标有 S 的圆形节点出现在带有箭头和数字标签的有向图中。

1. 视频未明确定义 S 代表什么。

S

三状态马尔可夫链图中的一个状态/节点。

有限状态有向图中的状态标签。

1. 图示
   观察依据

   一个标有 R 的圆形节点出现在带有箭头和数字标签的有向图中。

1. 视频未明确定义 R 代表什么。

R

三状态马尔可夫链图中的一个状态/节点。

有限状态有向图中的状态标签。

1. 图示
   观察依据

   一个标有 F 的圆形节点出现在一张带有箭头和数字标签的有向图中。

1. 视频未明确说明 F 代表什么。

F

三状态马尔可夫链图中的一个状态/节点。

有限状态有向图中的状态标签。

1. 图示
   观察依据

   S、R 和 F 之间的有向边带有数字标签，包括自环值0.5、0.1和0.7，以及交叉边值0.3、0.75、0.2、0.1、0.2和0.15。

2. 声音
   观察依据

   讲解员说：“从每个状态出发，都存在转移到其他状态的概率，其中包括停留在当前状态的概率。”

1. 每条曲线边的确切走向在视觉上较为密集；所列出的数值清晰可见，但部分边与数值的对应关系需逐帧验证。

edge labels such as 0.5, 0.3, 0.75, 0.1, 0.2, 0.15, 0.7

所展示的马尔可夫链图中各状态之间的转移概率。

在状态 S、R 和 F 之间的一组有限有向转移。

1. 图示
   观察依据

   一个两节点有向图显示节点1，其下方标有“Low”。

2. 声音
   观察依据

   讲解员说：“市场有两种状态：低波动率和高波动率。”

1 / Low

双状态市场示例中的低波动率状态。

两状态马尔可夫链中的状态标签。

1. 图示
   观察依据

   一个包含两个节点的有向图，其中节点2下方标有“高”。

2. 声音
   观察依据

   讲解员说：“市场有两种状态：低波动率和高波动率。”

2 / High

两状态市场示例中的高波动率状态。

两状态马尔可夫链中的状态标签。

1. 图示
   观察依据

   节点1上的自环标记为0.8。

2. 声音
   观察依据

   讲解员说：“当波动率较低时，它通常会保持在低位。”

0.8

停留在状态1（标记为‘低’）的概率。

从‘低’到‘低’的自转移概率。

1. 图示
   观察依据

   一条从节点1指向节点2的箭头，标记为0.2。

2. 声音
   观察依据

   讲解员说：“但有时，它会发生切换。”

0.2

从状态1（即‘低’）转移到状态2（即‘高’）的概率。

从低波动率状态到高波动率状态的转移概率。

1. 图示
   观察依据

   从节点2指向节点1的箭头标注为0.3。

1. 旁白描述了高波动率的持续性，但并未单独读出0.3。

0.3

从状态2（高波动率）转移到状态1（低波动率）的概率。

从高波动率状态到低波动率状态的转移概率。

1. 图示
   观察依据

   节点2上的自环箭头标注为0.7。

2. 声音
   观察依据

   旁白说：“当波动率较高时，它也倾向于持续保持高位。”

0.7

停留在状态2（标注为高波动率）的概率。

从高波动率状态到高波动率状态的自转移概率。

1. 图示
   观察依据

   标有“1”的圆圈，其下方标注文字“低”。

1

双状态马尔可夫链图中的状态标签。

离散状态空间

1. 声音
   观察依据

   旁白说：“马尔可夫链不建模具体数值，而是建模状态。在任意时刻，系统都处于若干可能状态中的某一个。”

2. 图示
   观察依据

   出现一个有向图，其节点为 S、R 和 F，并带有带权重的箭头。

视频将马尔可夫链定义为一种以系统状态为变量的模型：在任意时刻，系统都处于一组有限可能状态中的某一个。配套的图示通过展示由有向转移边连接的离散节点，使这一概念具体化。

1. 该系统可用一个有限集或以其他方式明确指定的状态集来描述。

2. 在每一时刻，系统都处于某一个状态中。

1. 声音
   观察依据

   讲解者说道：“其核心假设很简单：未来仅依赖于当前状态，而不依赖于整个过去。这被称为马尔可夫性质。”

2. 字幕依据
   观察依据

   屏幕文字显示：“未来仅依赖于当前状态，而不依赖于整个过去。”

马尔可夫性质被呈现为马尔可夫链的核心假设：在给定当前状态的条件下，未来状态不依赖于全部历史。视频强调，这并不意味着历史无关紧要；相反，所有与未来相关的历史信息均已浓缩于当前状态之中。

1. 当前状态包含了确定未来转移行为所需的全部信息。

2. 该陈述关注的是依赖结构，而非字面上的‘遗忘过去’。

1. 马尔可夫链建模的是状态，而非数值。

1. 声音
   观察依据

   讲解者说道：“从每一个状态出发，都存在转移到其他状态（包括停留在原状态）的概率。这些概率是固定的规则。但当反复应用这些规则时，却能产生丰富多样的行为。”

2. 图示
   观察依据

   三状态图中，箭头及自环上均标有小数形式的概率值。

每个状态都关联着转移到其他状态以及停留在当前状态的概率。在视频的呈现中，这些概率是固定的规则；反复应用这些规则会产生更复杂的时序行为。

1. 状态转移是概率性的。

2. 允许自转移。

3. 显示的概率在该片段中被视为固定不变。

1. 马尔可夫链建模的是状态，而非数值。

1. 声音
   观察依据

   直接由转移概率得出。

2. 图示
   观察依据

   两状态马尔可夫链图，箭头上分别标有0.8、0.2、0.3和0.7。

视频将转移概率定义为：在马尔可夫链中，从一个状态转移到另一个状态的可能性；这一概念通过状态图中的有向边及其数值权重来直观展示。

1. 适用于离散时间马尔可夫链。

2. 对每个起始状态，其所有转移概率之和必须等于1。

1. 声音
   观察依据

   这种长期行为称为平稳分布，它告诉我们各状态在长期中出现的相对频率。

2. 图示
   观察依据

   柱状图，显示从状态0到状态4的概率依次递减。

平稳分布描述了马尔可夫链在长期运行中访问各个状态的频率，它体现的是状态之间流量的平衡，而非系统的静止不变。

1. 要求该马尔可夫链是遍历的（即不可约且非周期），才能保证存在唯一的平稳分布。

1. 转移概率

1. 声音
   观察依据

   状态不仅仅是一个标签，它是一种摘要，是对过去所有关键信息的压缩。

在马尔可夫模型中，状态充当一种压缩后的摘要，汇总了所有与未来状态转移相关的历史信息，例如金融市场中的新闻、流动性与杠杆水平。

1. 假设所选定的状态定义满足马尔可夫性质。

1. 转移概率

1. 声音
   观察依据

   在实践中，这些状态通常无法被直接观测到。我们看不到状态切换（制度转换），只能推断它们；收益率数据带有噪声，而状态本身是隐藏的。

现实世界系统（如金融市场）中的状态或制度往往无法被直接观测，必须从含噪声的数据中加以推断，由此引出了“隐藏状态”的概念。

1. 适用于隐马尔可夫模型（HMM）或潜变量模型。

1. 状态作为摘要

1. 声音
   观察依据

   存在吸收态：一旦进入，便永远无法离开。

2. 图示
   观察依据

   一个四状态马尔可夫链示意图，其中状态0和3分别具有自环，其转移概率均为1。

吸收态是马尔可夫链中的一种状态：一旦进入，便无法离开，其特征是到自身的转移概率为1。

1. 该状态到自身的转移概率必须恰好为1。

1. 转移概率

1. 声音
   观察依据

   讲解员指出，马尔可夫链被广泛应用，是因为它仅需极少的假设，就能刻画持续性、状态行为以及长期风险。

2. 动画
   观察依据

   文字依次出现在小人图旁：‘持续性’，随后是‘状态行为’，最后是‘长期风险’。

视频将马尔可夫链呈现为一种建模工具——其价值不在于完美还原现实，而在于能以最少的结构假设，刻画出持续性行为、类状态切换现象以及长期风险。

1. 用作建模框架，而非对市场的精确描述。

1. 声音
   观察依据

   讲解员指出，压力情景、状态切换模型以及信用迁移，其核心均依赖于马尔可夫链。

2. 动画
   观察依据

   一系列示意性画面伴随这些应用依次出现：一人面对多台显示器、一幅市场周期图表、一辆装满硬币的手推车。

片段明确列出了三个应用领域：压力情景、状态切换模型和信用迁移。该片段将它们视为围绕马尔可夫链构建的现代风险建模实例。

1. 这些是视频中给出的示例，并非马尔可夫链全部用途的完整分类。

1. 为何在风险建模中使用马尔可夫链

1. 声音
   观察依据

   讲解员指出，马尔可夫链处于纯粹随机性与完全确定性之间，既足够简单便于分析，又足够丰富而具有实际意义。

该片段将马尔可夫链刻画为介于完全随机系统与完全确定性系统之间的中间对象。其价值被表述为一种平衡：既在分析上易于处理，又在结构上具有实际意义。

1. 这是一个定性定位陈述，而非形式化定理。

1. 为何在风险建模中使用马尔可夫链

1. 声音
   观察依据

   讲述者提问：当系统被长时间观测、大量微小扰动不断累积、且随机性被反复平均时，会发生什么？

2. 动画
   观察依据

   屏幕文字逐步呈现问题：“当我们长时间观测系统时，会发生什么？”，

该片段通过提问“长时间观测之后、大量微小扰动累积之后、随机性被反复平均之后，会涌现出什么？”来引入从短期建模向长期行为的过渡。

1. 这一问题被设定为下一主题的引导性问题。

1. 马尔可夫链的概念定位

1. 声音
   观察依据

   讲述者指出，金融市场“并非以快照形式存在”，收益逐次到来，波动率随时间变化，极端事件成簇出现，因此“时间至关重要”。

2. 动画
   观察依据

   首先展示一个静态的钟形曲线，随后该曲线水平移动，同时在尾部出现点状标记，此时旁白讨论系统随时间的演化。

像钟形曲线这样的分布仅描述某一时刻的不确定性，而对市场进行时序建模，需要刻画系统如何运动，而不仅仅是某一瞬时哪些结果更可能发生。

1. 被建模的对象随时间发生变化。

2. 收益、波动率或事件成簇现象均具有时间结构。

针对视频中所讨论的动态演化的金融市场系统。

1. 声音
   观察依据

   讲述者说：“这并不意味着历史无关紧要；它意味着所有相关信息均已由当前状态概括。”

在马尔可夫性质下，历史可能仍然重要，但其相关影响已完全由当前状态所涵盖。

1. 该过程满足马尔可夫性质。

2. “相关信息”是指预测未来转移所需的信息。

针对视频中所述、以马尔可夫性质建模的系统。

1. 声音
   观察依据

   讲述者说道：“这种持续性并非人为添加。”

2. 图示
   观察依据

   双状态图显示低状态的自环概率为0.8，高状态的自环概率为0.7。

1. 该句子在视频于本片段内完整解释其机制前即被截断。

在双状态波动率示例中，低波动率或高波动率的持续倾向，直接由转移结构所体现，而非作为额外的人为规则引入。

1. 市场被建模为一个双状态马尔可夫链。

2. 自转移概率相对于切换概率较高。

针对所展示的双状态波动率示例。

1. 声音
   观察依据

   聚集现象并不需要厚尾分布或复杂动力学；它可源于简单的状态依赖性。

2. 字幕依据
   观察依据

   关键洞见：聚集现象并不需要厚尾分布或复杂动力学

市场波动率的聚集现象可纯粹由马尔可夫链中的简单状态依赖性产生，无需重尾收益分布或复杂的非线性动力学。

1. 底层过程遵循具有不同状态的马尔可夫链。

2. 每个状态内的收益服从同一分布。

对马尔可夫型状态依赖过程具有普适性。

1. 声音
   观察依据

   这并非因为系统停止运动，而是因为各状态之间的流动达到了平衡。

平稳分布表示一种动态平衡状态：由于各状态之间的概率流入量与流出量相互抵消，因此概率质量随时间保持恒定。

1. 该马尔可夫链已达到其长期行为。

适用于概率分布的稳态。

1. 声音
   观察依据

   当模型具有马尔可夫性时，并非意味着现实世界没有记忆；而是指当前状态本身已为我们承载了所需的记忆。

马尔可夫性质并不意味着现实世界缺乏记忆；相反，它意味着所定义的状态变量已充分囊括所有预测未来所必需的历史记忆。

马尔可夫性质的概念性解释。

1. 声音
   观察依据

   即使价格走势看似平滑，市场仍可能切换运行机制；而有时最重要的机制转换在实时中是不可见的。

系统中重大的机制变化可能在可观测输出上不产生即时可见效应，例如平滑的价格运动可能掩盖了底层状态的切换。

1. 该系统由隐含状态或机制所支配。

2. 可观测输出含有噪声或已被平滑处理。

复动力系统中的存在性问题。

1. 声音
   观察依据

   即使没有记忆，马尔可夫链也能生成高度结构化的路径。单次转移很简单，但随时间推移，它们会形成各种历史轨迹：有些平稳，有些剧烈，有些不可逆。

尽管仅依赖局部、无记忆的转移规则，马尔可夫链仍能生成全局结构化的轨迹，这些轨迹随时间演化可呈现出平稳、剧烈或不可逆等不同阶段。

1. 该过程是一个马尔可夫链。

马尔可夫链样本路径的一般性质。

1. 声音
   观察依据

   讲述者：“并非因为它们完美无缺，而是因为它们以最少的假设刻画了持续性、状态行为与长期风险。”

马尔可夫链被广泛应用，是因为它们以最少的假设刻画了持续性、状态行为与长期风险。

1. 讨论聚焦于讲述者所描述的建模场景中它们的使用。

关于建模实用性的总体定性论断。

1. 声音
   观察依据

   讲述者：“压力情景、状态转换模型与信用迁移。它们的核心均依赖于马尔可夫链。”

压力情景分析、状态转换模型以及信用迁移均以马尔可夫链为核心。

1. 该结论适用于视频片段中提到的三个具体应用领域。

该结论对明确列出的三类应用具有普适性。

1. 声音
   观察依据

   旁白：‘无论是否独立，许多过程都会收敛到同一形状——一种你早已熟悉的形状。’

2. 动画
   观察依据

   直方图叠加一条钟形曲线。

1. ‘许多过程’这一类别并未被形式化定义。

2. 本视频片段中未提出任何诸如有限方差或同分布之类的假设。

无论是否独立，许多过程都会收敛到同一形状。

1. 在提出该结论前，立即引入了长期观测、大量微小冲击的累积以及重复平均等概念。

对‘许多过程’作非正式的存在性/泛化表述；其确切范围未加说明。

1. 声音
   观察依据

   解说从‘到目前为止，我们一直用分布来描述不确定性’过渡到‘要对这一现象建模，仅靠一个分布是不够的；我们需要一种方法来描述系统如何演化。这正是马尔可夫链的用武之地。’

2. 动画
   观察依据

   先显示一个钟形曲线，随后对其进行平移，并在尾部添加点状标记，以示意随时间发生的变化。

1. 公式

   $$$$
   解释

   将钟形曲线引入为对某一时刻不确定性的刻画。

   步骤依据

   解说员明确指出：钟形曲线表明了各种结果出现的可能性，并描述了单一时点上的风险。

   视频直接表达
2. 公式

   $$$$
   解释

   指出市场是动态演化的：收益率按序到来，波动率发生变化，极端事件趋于聚集。

   步骤依据

   这些论断在音频中直接陈述，同时动画同步对曲线进行随时间变化的修改。

   视频直接表达
3. 公式

   $$$$
   解释

   最终得出结论：需要一种刻画状态间运动过程的模型，由此引出马尔可夫链。

   步骤依据

   解说员说道：‘要对这一现象建模，仅靠一个分布是不够的……这正是马尔可夫链的用武之地。’

   视频直接表达

该片段将马尔可夫链动因化为一种基于时间、以状态为本的建模方式，用以替代仅刻画单一快照的分布。

1. 声音
   观察依据

   解说员引入一个具有两种状态的市场——低波动率状态与高波动率状态，并指出每种状态均倾向于持续存在，但两者之间也可能发生切换。

2. 图示
   观察依据

   一个用方框标注的双节点图显示：节点1/低波动率带有自环0.8，并有一条指向节点2/高波动率的边，其标签为0.2；节点2/高波动率带有自环0.7，并有一条返回节点1的边，其标签为0.3。

1. 该片段在展示任何进一步计算或长期分析之前即已结束。

1. 公式

   $$$$
   解释

   将两个状态分别识别为低波动率和高波动率。

   步骤依据

   音频中命名了这两个状态，图中将节点1标注为“低”，将节点2标注为“高”。

   视频直接表达
2. 公式

   $$P(\text{Low}\to\text{Low})=0.8,\quad P(\text{Low}\to\text{High})=0.2$$
   解释

   从低波动率状态出发，图中将0.8赋给停留在低波动率，将0.2赋给切换至高波动率。

   步骤依据

   这些数值分别印在节点1的自环及从该节点引出的边上。

   视频直接表达
3. 公式

   $$P(\text{High}\to\text{Low})=0.3,\quad P(\text{High}\to\text{High})=0.7$$
   解释

   从高波动率状态出发，图中将0.3赋给切换至低波动率，将0.7赋给停留在高波动率。

   步骤依据

   这些数值分别印在指向节点1的边及节点2的自环上。

   视频直接表达
4. 公式

   $$$$
   解释

   将较大的自环概率解释为当前波动率状态的持续性。

   步骤依据

   讲解员指出：低波动率通常保持低位，高波动率也往往具有持续性。

   视频直接表达

该示例通过双状态马尔可夫链中不对称的自转移概率来刻画波动率的持续性。

1. 声音
   观察依据

   随着时间推移，系统会遍历所有状态：有些状态被频繁访问，有些则极少被访问。这种长期行为称为平稳分布。

2. 图示
   观察依据

   柱状图动画展示状态0至4对应的具体高度。

1. 用于计算各柱高具体数值的严格数学推导或矩阵方程并未呈现，仅展示其概念性结果。

1. 公式

   $$$$
   解释

   讲解者指出，系统会依据转移概率，在长时间演化中遍历所有可到达的状态。

   步骤依据

   对马尔可夫链遍历性这一概念的理解。

   视频直接表达
2. 公式

   $$$$
   解释

   某些状态被访问的频率高于其他状态，这取决于状态间的转移网络。

   步骤依据

   不同状态上概率质量的积累不均等。

   视频直接表达
3. 公式

   $$$$
   解释

   这种长期访问频率被定义为平稳分布，可通过条形图直观呈现：其中状态0的概率最高（约0.4），状态4的概率最低（约0.08）。

   步骤依据

   平稳分布定义为状态概率向量的极限。

   视频直接表达

平稳分布量化了各状态的长期访问频率，并使概率流达到平衡。

1. 声音
   观察依据

   某些状态的行为也与其他状态不同，其中存在吸收态：一旦进入，便永远无法离开。

2. 图示
   观察依据

   图中展示了状态0和3，二者均具有自环转移，概率均为1；同时存在从状态1和2分别指向它们的转移。

1. 公式

   $$$$
   解释

   该图引入了状态0和3，二者仅存在指向自身的出边，对应转移概率均为1。

   步骤依据

   转移矩阵中吸收态的定义。

   视频直接表达
2. 公式

   $$$$
   解释

   状态1和2存在指向吸收态的转移（例如，从1到0的概率为$1/2$，从2到3的概率为$1/2$）。

   步骤依据

   暂态最终都会导向吸收态。

   视频直接表达
3. 公式

   $$$$
   解释

   一旦系统进入状态0或3，它将无限期地停留在该状态，使得这些路径不可逆。

   步骤依据

   离开吸收态的概率是0。

   视频直接表达

吸收态会捕获马尔可夫链，导致长期结果不可逆。

1. 声音
   观察依据

   讲解员说道：“考虑一个简单例子：市场有两种状态——低波动率状态和高波动率状态。”

2. 图示
   观察依据

   一个带边框的图示显示两个节点1和2，分别标注为‘低’和‘高’，其转移概率分别为0.8、0.2、0.3和0.7。

1. 本片段中除读取转移结构外，未提出任何数值性问题。

对一个可能处于低波动率状态或高波动率状态的市场建模，并描述它在这两种状态之间如何转移。

1. 状态1为低波动率。

2. 状态2为高波动率。

3. ‘低’状态上的自环概率为0.8。

4. 从‘低’到‘高’的边的概率为0.2。

5. 从‘高’到‘低’的边的概率为0.3。

6. ‘高’状态上的自环概率为0.7。

使用马尔可夫链来刻画市场依赖于状态的运动。

1. 公式

   $$P(\text{Low}\to\text{Low})=0.8$$
   解释

   停留在低波动率状态的概率是0.8。

   步骤依据

   直接从节点1上的自环标签读取。

   视频直接表达
2. 公式

   $$P(\text{Low}\to\text{High})=0.2$$
   解释

   从低波动率切换到高波动率的概率是0.2。

   步骤依据

   直接从节点1指向节点2的箭头标签读取。

   视频直接表达
3. 公式

   $$P(\text{High}\to\text{Low})=0.3$$
   解释

   从高波动率切换到低波动率的概率是0.3。

   步骤依据

   直接从节点2指向节点1的箭头标签读取。

   视频直接表达
4. 公式

   $$P(\text{High}\to\text{High})=0.7$$
   解释

   停留在高波动率状态的概率是0.7。

   步骤依据

   直接从节点2上的自环标签读取。

   视频直接表达

市场由一个两状态马尔可夫链表示，其转移概率如图中标注的0.8、0.2、0.3和0.7所示。

对每个状态，图中显示的各出边概率之和为1：从低波动率状态出发有$0.8+0.2=1$，从高波动率状态出发有$0.3+0.7=1$。

1. 图示
   观察依据

   包含两个状态的马尔可夫链：状态“1低”和“2高”，以及转移概率0.8、0.2、0.3、0.7。

说明市场波动聚集现象如何从简单的状态依赖性中产生。

1. 状态1（低）：$P(1\to 1) = 0.8$，$P(1\to 2) = 0.2$

2. 状态2（高）：$P(2\to 1) = 0.3$，$P(2\to 2) = 0.7$

展示生成聚集现象的转移结构。

1. 公式

   $$P_{11} = 0.8, P_{22} = 0.7$$
   解释

   较高的自转移概率表明，系统倾向于在当前状态持续多个时段。

   步骤依据

   转移概率的定义。

   视频直接表达
2. 公式

   $$P_{12} = 0.2, P_{21} = 0.3$$
   解释

   较低的交叉转移概率表明，切换机制比维持当前机制更不频繁。

   步骤依据

   转移概率的定义。

   视频直接表达

自转移与交叉转移之间的不对称性自然地产生低状态或高状态的连续序列，从而在不引入复杂动力学的情况下建模波动率聚集现象。

与音频讲解中‘聚集现象源于简单的状态依赖’这一说法相吻合。

1. 图示
   观察依据

   一个包含状态 S、R、F 的三状态马尔可夫链，具有多种转移概率。

可视化更复杂的状态空间探索过程。

1. 状态：S、R、F

2. 转移：$S\to S$（0.5）、$S\to R$（0.3）、$S\to F$（0.2）、$R\to S$（0.75）、$R\to R$（0.1）、$R\to F$（0.15）、$F\to S$（0.2）、$F\to R$（0.1）、$F\to F$（0.7）

演示一个完全连通的马尔可夫链。

1. 公式

   $$$$
   解释

   该图展示了三个状态之间所有可能的转移及其对应的概率。

   步骤依据

   有限状态马尔可夫链的定义。

   视频直接表达
2. 公式

   $$$$
   解释

   讲解者借此说明：随着时间推移，系统会遍历所有状态，其中某些状态访问频繁，而另一些则访问稀少。

   步骤依据

   遍历性概念与状态探索。

   视频直接表达

一个完全连通的图说明了转移概率如何决定长期内各状态被访问的相对频率。

这与后续关于平稳分布的解释一致。

1. 图示
   观察依据

   一个包含四个状态的马尔可夫链，状态为0、1、2、3。状态0和3具有自环，其概率为1。

演示马尔可夫链中不可逆的路径。

1. 状态：0、1、2、3

2. 转移：$0\to 0$（概率为1），$1\to 0$（概率为$1/2$），$1\to 2$（概率为$1/2$），$2\to 1$（概率为$1/2$），$2\to 3$（概率为$1/2$），$3\to 3$（概率为1）

识别吸收态及其对系统轨迹的影响。

1. 公式

   $$P_{00} = 1, P_{33} = 1$$
   解释

   状态0和3是吸收态，因为它们仅转移到自身。

   步骤依据

   吸收态的定义。

   视频直接表达
2. 公式

   $$P_{10} = 1/2, P_{23} = 1/2$$
   解释

   状态1和2是暂态，最终均可导向任一吸收态。

   步骤依据

   转移图的结构。

   视频直接表达

系统最终将被困在状态0或状态3中，体现了不可逆的历史路径。

与关于吸收态和不可逆路径的音频陈述相吻合。

1. 动画
   观察依据

   一个戴帽子打领带的小人站在不断变换的场景旁：带有图表的显示器、海滩场景、标有多块‘未来’字样的路标、摆着标注‘数学’字样的书籍的讲台，以及一个包含‘去年’和‘上个月’字样的思维气泡。

2. 声音
   观察依据

   叙述者询问‘明天是好日子’的概率，并指出只需知道你当前所处的状态。

1. 简笔画风格的主讲人

2. 显示图表的显示器

3. 海滩场景

4. 标有“FUTURE”的路标

5. 讲台

6. 标有“MATHEMATICS”的书籍

7. 思维气泡中写着“去年”和“上个月”

1. 背景在数据屏幕、休闲图像、未来路标与讲座布置之间循环切换。

2. 思维气泡中逐渐填满表示过去时间的短语，同时旁白将过去的信息与当前状态进行对比。

1. 主讲人始终是开场序列中的核心人物。

画面通过呈现多种可能的未来，与‘当前状态已足以支撑本节所介绍的概率推理’这一主张形成鲜明对比，从而强化该观点。

1. 动画
   观察依据

   一条黑色钟形曲线出现在水平轴上方；中央区域以浅蓝色阴影填充；一条红色箭头指向曲线的峰值；随后整条曲线沿水平方向平移，且尾部出现若干小圆点。

2. 声音
   观察依据

   讲述者指出，钟形曲线描述的是某一时刻的风险，接着说明市场是动态演化的，且极端事件往往成簇发生。

1. 曲线平移与尾部小圆点所代表的确切量化含义仅为示意性，而非形式化定义。

1. 钟形曲线

2. 水平轴

3. 蓝色阴影填充的中央区域

4. 红色箭头

5. 尾部的小圆点

1. 该曲线先保持静止，再向侧面平移，最后在尾部补充小圆点。

1. 尽管动画持续变化，整体钟形轮廓仍清晰可辨。

该动画对比了静态快照式分布与时间维度上的变化：曲线平移暗示中心行为发生改变，而尾部小圆点则暗示极端事件成簇出现。

1. 动画
   观察依据

   出现一个有向图，其节点为 S、R 和 F，箭头及自环上标有小数标签；红色箭头短暂指向各节点。

2. 声音
   观察依据

   讲述者指出，马尔可夫链用于建模状态，且该系统处于若干可能状态中的某一个。

1. 本片段未说明 S、R 和 F 的语义含义。

1. 节点 S、R、F

2. 有向边

3. 自环

4. 小数概率标签

5. 红色指示箭头

1. 该图被引入作为基于状态建模的一个具体实例。

2. 红色箭头强调各个单独的状态。

1. 节点与箭头的结构保持不变，仅强调方式发生变化。

该图将马尔可夫链的定义操作化为一种具有概率性转移的有限状态系统。

1. 字幕依据
   观察依据

   屏幕上文字显示：“未来仅依赖于当前状态，而不依赖于全部过去。”

2. 动画
   观察依据

   主讲人站在讲台前，同时文字显示在屏幕上；随后出现卷轴和‘突发新闻’屏幕。

1. 主讲人站在讲台前

2. 文字面板

3. 卷轴

4. ‘突发新闻’屏幕

1. 关键句被完整地写在屏幕上。

2. 后续图像阐释了原始历史信息与经概括后的当前信息之间的区别。

1. 核心文字主张保持不变，而周围插图则有所变化。

屏幕上的文字锚定了正在口头讲解的形式化概念：仅依赖于当前状态。

1. 动画
   观察依据

   一个带方框的双节点图出现，其中节点1标注为“低”，节点2标注为“高”；自环边与交叉边分别标有概率0.8、0.7、0.2和0.3。

2. 声音
   观察依据

   讲述者介绍了一个具有低波动率状态和高波动率状态的市场，并描述了状态的持续性以及偶尔发生的切换。

1. 方框边框

2. 节点1／低

3. 节点2／高

4. 自环边

5. 交叉边

6. 数值型概率标签

1. 该图在一般性定义之后引入，以提供一个具体的市场实例。

2. ‘低’与‘高’两个标签分别附于这两个状态之上。

1. 双状态结构及四个转移概率在整个片段结束前始终可见。

这是本节的主要可视化例题，将抽象的马尔可夫链定义转化为一个市场波动性模型。

1. 图示
   观察依据

   简笔画小人正指向一块白板，白板上展示了一个两状态马尔可夫链。

1. 状态1（低）

2. 状态2（高）

3. 带概率标记的转移箭头：0.8、0.2、0.3、0.7

1. 箭头突出了状态之间的流向。

1. 本片段中各具体概率值保持不变。

直观呈现了状态依赖的基本机制：系统倾向于维持在当前状态。

1. 字幕依据
   观察依据

   演示板上的文字：“关键洞见：聚类现象无需厚尾分布或复杂动力学。”

1. 展示板

2. 带指示棒的简笔人物

1. 文字出现在板上。

1. 关于波动率聚集与状态依赖性的核心信息。

强调本片段关于波动率聚集起源的主要理论结论。

1. 图示
   观察依据

   简笔人物站在一个复杂的三状态马尔可夫链图（S、R、F）旁。

1. 状态 S、R、F

2. 多条带概率的有向边

1. 无动画， narrator 讲述时图为静态。

1. 网络拓扑结构与转移概率。

提供了一个更丰富的状态空间示例，用于讨论长期探索行为与各状态的访问频率。

1. 动画
   观察依据

   柱状图动画依次绘制从状态0到状态4的柱子，高度逐次降低。

1. 柱子的精确数值是根据视觉高度估算得出的近似值。

1. 横轴标注为“状态”（0–4）

2. 纵轴标注为“概率”（0–0.4）

3. 五根高度递减的柱子

1. 柱子依次从零高度逐渐增长至各自最终高度。

1. 从状态0到状态4，概率呈单调递减趋势。

直观呈现平稳分布的概念，展示在长期运行中概率质量如何在各状态间不均匀分布。

1. 动画
   观察依据

   一系列火柴人图像：手持被划掉的空白横幅、抬起沉重的方块、阅读报纸、被硬币包围、手提公文包。

1. 火柴人

2. 空白横幅

3. 厚重方块

4. 报纸

5. 硬币

6. 公文包

1. 人物形象按顺序依次出现和消失，用以阐释不同概念。

1. 对复杂信息进行概括这一核心主题。

运用视觉隐喻说明：‘状态’是对相关历史信息（如新闻、流动性、杠杆率）的压缩式总结，而不仅仅是一个简单标签。

1. 图示
   观察依据

   火柴人站在讲台旁，旁边是一个含吸收态的四状态马尔可夫链图示。

1. 状态0、1、2、3

2. 在0和3上的自环，概率为1

3. 在1与2之间的转移，以及进入0和3的转移

1. 无，静态图示。

1. 概率的存在 1 状态上的自环 0 和 3。

阐释吸收态的概念：系统一旦进入该状态便被‘困住’，从而导致不可逆的路径。

1. 动画
   观察依据

   一系列火柴人图示：头部爆炸、沿楼梯走向奖杯、被风吹得向后飞起、站在岔路口。

1. 火柴人

2. 头部爆炸

3. 楼梯与奖杯

4. 风与腾空飞起的人物

5. 岔路口

1. 图形按顺序呈现，以说明不同路径的特征。

1. 复杂轨迹源于简单规则的主题。

可视化马尔可夫链如何生成结构化的历史——这些历史可能是湍流式的、目标导向的，或面临不可逆的分支，尽管其局部具有无记忆性。

1. 声音
   观察依据

   讲解者明确指出：“这并不意味着历史无关紧要；它意味着所有相关信息都已由当前状态概括。”

由于未来仅依赖于当前状态，人们可能误以为过去完全不起作用。

视频澄清：历史仍可能重要，但在马尔可夫性质下，其相关影响已完全编码于当前状态之中。

1. 声音
   观察依据

   讲解者指出，钟形曲线仅描述某一时刻的风险，而市场是演化的，因此单靠一个分布并不足够。

2. 动画
   观察依据

   钟形曲线随时间变化而调整，以体现单一快照所无法捕捉的动态变化。

人们可能认为仅凭一个概率分布就足以对金融市场随时间的演化建模。

视频区分了瞬时不确定性与时间演化过程，从而引出状态转移模型（例如马尔可夫链）的必要性。

1. 声音
   观察依据

   当模型是马尔可夫的，并不意味着世界本身没有记忆；而是说状态变量为我们承载了记忆。

认为马尔可夫性质意味着所建模的真实世界系统没有历史或记忆。

马尔可夫性质意味着所选的状态变量是一个充分统计量，它压缩并承载了预测未来所需的所有相关历史记忆。

1. 声音
   观察依据

   并非因为系统停止运动，而是因为各状态之间的流达到了平衡。

认为平稳分布意味着系统已停止变化或不再在状态之间转移。

平稳分布代表一种动态平衡：系统持续在状态间转移，但每个状态中的概率质量保持恒定，因为流入量与流出量相互平衡。

1. 声音
   观察依据

   聚类现象并不需要厚尾分布或复杂动力学；它可源于简单的状态依赖性。

2. 字幕依据
   观察依据

   关键洞见：聚集现象并不需要厚尾分布或复杂动力学

误以为市场中的波动率聚集等现象，本质上必须依赖重尾分布或复杂的非线性机制。

聚集现象仅需马尔可夫链中的状态依赖性即可产生，即系统以很高概率停留在当前状态。

1. 声音
   观察依据

   旁白：‘并非因为市场具有无记忆性，而是因为马尔可夫链能以最简结构刻画持续性。’

人们或许会认为，采用马尔可夫链是因为市场本身没有记忆。

该片段明确否定了这种理解：采用马尔可夫链，是因为它能以简洁的方式刻画持续性，而非因为市场在字面意义上真的无记忆。

1. 声音
   观察依据

   讲解内容从分布与钟形曲线过渡到‘我们需要的不止是一个分布……此时马尔可夫链便应运而生。’

在该片段中，建模“状态”的思想先于“马尔可夫性质”这一术语被提出；后者随后才被明确定义为这类状态模型的基本假设。

1. 声音
   观察依据

   在定义状态之后，讲述者说道：“从每个状态出发，都存在转移到其他状态的概率……”

马尔可夫链作为状态模型的定义，自然包含了对这些状态之间概率转移的后续说明。

1. 声音
   观察依据

   讲述者定义了马尔可夫性质，并立即就其关于历史的含义作出澄清。

这一形式化性质与一种常见误解形成对比：该误解认为马尔可夫性质使历史变得无关紧要。

1. 声音
   观察依据

   在解释固定转移规则之后，讲述者说道：“考虑一个简单例子。”

2. 图示
   观察依据

   视频从一般性的三状态图切换到具体的两状态（低/高波动性）图。

固定转移概率这一抽象概念，在两状态波动性市场示例中得到了具体应用。

1. 声音
   观察依据

   随着时间推移，系统会遍历所有状态……这种长期行为被称为平稳分布。

转移概率决定了系统在各状态之间如何移动，最终也决定了长期的平稳分布。

1. 声音
   观察依据

   实践中，这些状态极少被直接观测到……状态是隐含的。

当‘状态’作为概括性描述时，若该概括性变量本身在数据中不可直接观测，则这一概念便推广为隐状态。

1. 声音
   观察依据

   某些状态的行为也与其他状态不同，其中一类是吸收态。

吸收态是一类特殊的转移概率情形，其转移到自身的概率恰好为1。

1. 声音
   观察依据

   聚集现象并不需要厚尾分布……它可源于简单的状态依赖性。

关于聚集现象的这一论断，是将转移概率的概念应用于解释现实世界中的金融现象。

1. 声音
   观察依据

   旁白从马尔可夫链的一般实用性，转向其在风险建模中的具体应用。

该片段将马尔可夫链的一般建模优势，应用于特定的风险管理场景。

1. 声音
   观察依据

   在讨论完马尔可夫链的结构作用后，旁白提出了一个更深层的问题：长期观测与累积效应。

讨论范围从马尔可夫链的结构作用，拓展至随机系统在反复冲击与平均作用下的长期行为。

1. 声音
   观察依据

   对长期问题的回答是：秩序浮现，且许多过程收敛于同一形状。

2. 动画
   观察依据

   直方图加钟形曲线。

该片段通过引入向一种共通分布形态的收敛，回答了自身提出的长期问题。

1. 声音
   观察依据

   旁白指出，下一视频将解释为何聚合能平滑不确定性，以及中心极限定理为何重要。

观察到的这种常见形状，将在后续由中心极限定理加以解释。

1. 字幕依据
   观察依据

   屏幕文字显示：“未来仅依赖于当前状态，而不依赖于全部过去。”

1. 马尔可夫性质

1. 声音
   观察依据

   讲述者将单一时点的分布与动态演化的市场相对比，并指出仅有一个分布是不够的。

1. 马尔可夫链建模的是状态，而非数值。
2. 转移概率作为固定规则

1. 声音
   观察依据

   讲述者指出，历史并非无关紧要；相关的信息已由当前状态加以概括。

1. 马尔可夫性质
2. 误将马尔可夫性质理解为否定历史的相关性

1. 图示
   观察依据

   方框图中标注了‘低’和‘高’两个状态，其转移概率分别为0.8、0.2、0.3和0.7。

1. 两状态市场波动率示例
2. 转移概率作为固定规则

1. 声音
   观察依据

   讲解者说道：‘这种持续性并非人为添加。’

2. 图示
   观察依据

   ‘低’和‘高’两个状态上均显示了较大的自环概率。

1. 该片段在机制的完整解释呈现之前就结束了。

1. 两状态市场波动率示例
2. 持续性源于转移规则。

1. 声音
   观察依据

   这种长期行为被称为平稳分布。

1. 平稳分布

1. 声音
   观察依据

   它意味着状态为我们承载了记忆。

1. 状态作为摘要
2. 误解：马尔可夫意味着无记忆

1. 声音
   观察依据

   存在吸收态：一旦进入，就永远不会再离开。

1. 吸收态

1. 字幕依据
   观察依据

   聚类现象并不需要厚尾分布或复杂动力学。

1. 聚集现象起源主张
2. 转移概率

1. 声音
   观察依据

   我们并未直接观测到状态；我们只是推断它们……这些状态是隐含的。

1. 隐藏状态

1. 声音
   观察依据

   开场旁白说明了马尔可夫链被广泛应用的原因。

1. 为何在风险建模中使用马尔可夫链
2. 马尔可夫链并不意味着市场是无记忆的

1. 声音
   观察依据

   旁白列举了压力情景、状态转换模型和信用迁移。

1. 片段中提到的应用