Markov-Switching-Multifractal（MSM）模型是一种用于分析和预测金融时间序列波动性的复杂统计模型。该模型结合了马尔可夫过程与多重分形理论，能够有效捕捉市场数据中的非线性特征、长期记忆效应及肥尾现象。
Calvet 和 Fisher（2004, 2008）提出的马尔可夫切换多重分形随机波动率模型 (MSM) 可以简化高维状态空间的描述。Collins（2020）的研究表明，当扩展状态空间、使用高频数据并考虑微结构噪声时，MSM 的样本外性能得以提升。我通过 Python 实现了 MSM 模型，并实现了最大似然估计和分析预测功能，该模型最多支持 13 种波动率频率及超过8,000个状态，在规模上是之前文献的八倍。
此版本中引入了一种随机算法，结合启发式过程与局部搜索技术，以增强对状态空间的探索。在数据处理过程中，我严格地准备和清理了数据，并采用了稀疏采样以及根据最佳出价和要价各自深度加权回报创新的方法来减轻微结构噪声的影响。
这些改进形成了一个全面且优化的模型，能够更好地利用给定的大规模高频（HF）数据集提供的信息。样本内测试表明，在引入更多波动的情况下，该模型的选择性能得到了显著提升。
5星
