编辑推荐：
传统股票价格预测方法易受噪声干扰且难捕捉状态信息及转移动态。研究人员提出 TFE-HMM 模型，融合隐藏状态与价格波动构建时序特征，结合加权混合相似性等策略。实验表明其预测性能显著优于现有方法，为量化投资提供新方向。
在金融市场的复杂波动中，股票价格预测始终是量化投资领域的核心难题。传统的预测方法，如统计学习中的自回归（AR）、移动平均（MA）等模型，虽在处理线性平稳序列时表现尚可，但面对股市中非线性、非平稳的价格波动时，往往显得力不从心。机器学习方法如支持向量机（SVM）、K 近邻（KNN）虽能捕捉复杂关系，但直接对价格数值建模的方式，容易受到市场噪声和异常值的干扰，更难以挖掘时间序列中隐含的状态信息及其动态转移规律。深度学习模型如循环神经网络（RNN）、长短期记忆网络（LSTM）虽在特征提取上有优势，但高计算复杂度、参数调优困难及过拟合风险等问题，也限制了其在实际股市预测中的应用效果。
为突破这些瓶颈，来自相关研究机构的研究人员开展了一项针对股票价格预测的创新研究。他们提出了一种时序特征增强的高斯隐藏马尔可夫模型（TFE-HMM），旨在通过融合状态转移信息与价格趋势，提升预测的准确性和稳定性。该研究成果发表在《Expert Systems with Applications》上，为股票量化投资领域提供了新的方法论启示。
研究人员主要采用了以下关键技术方法：首先，基于传统高斯隐藏马尔可夫模型（HMM），利用历史股票数据中的趋势信息构建隐藏马尔可夫链，将提取的隐藏状态与股票价格波动结合，形成新的时序特征；其次，通过计算加权混合相似性来识别可靠邻居样本，并引入最优距离选择策略动态调整距离阈值，以优化邻居样本的筛选；最后，对可靠邻居的价格波动进行加权聚合，生成最终的预测结果。研究过程中使用了多个真实股票数据集，但文中未明确提及具体的样本队列来源。
实验设计与结果分析
在实验部分，研究人员围绕数据集分类与预处理、对比方法选择、超参数设置及评估指标展开研究。通过在多个真实股票数据集上的测试，TFE-HMM 在准确性、召回率、精确率、F1 分数和投资回报率等关键指标上均显著优于传统统计学习方法（如 ARIMA）、机器学习方法（如 SVM、KNN）及深度学习方法（如 LSTM、Transformer）。消融实验进一步验证了模型中时序特征融合与最优距离选择策略的有效性，表明两者的结合显著提升了模型对股票价格动态变化的捕捉能力。
模型优势与创新点
TFE-HMM 的核心创新在于其双维度建模思路：一方面通过隐藏马尔可夫链捕捉股票价格变化的潜在状态及转移规律，另一方面将状态信息与实际价格波动数据相结合，形成更具表征能力的时序特征。相较于传统 HMM 仅依赖观测数据分布的建模方式，该模型通过引入趋势信息与加权混合相似性计算，有效增强了对非线性市场动态的适应性。此外，最优距离选择策略的应用，避免了固定距离阈值导致的邻居样本偏差问题，进一步提升了预测的稳定性和可靠性。
研究结论与意义
研究结论表明，TFE-HMM 通过整合状态转移信息与价格趋势特征，成功克服了传统方法在噪声鲁棒性和状态建模方面的不足，为股票价格预测提供了一种更高效的解决方案。该模型不仅在理论上拓展了隐藏马尔可夫模型在金融时间序列分析中的应用边界，更在实践层面为投资者提供了一种兼具准确性与可解释性的量化工具。其提出的时序特征增强机制与混合相似性度量方法，对其他非平稳时间序列预测任务（如汇率波动分析、大宗商品价格预测等）也具有重要的参考价值，有望推动跨领域时间序列分析技术的发展。
