086 引入马尔可夫链（2 / 3）

D（下跌延续）、B（下跌反弹）、S（盘整）。

    几个小时后，初步状态序列生成完毕。李阳将其汇总为频次表，统计从一种状态转移到另一种状态的次数。例如，“W→D”出现了四百七十二次，“W→U”仅一百零三次。

    “原始频次出来了。”他指着表格，“但有些转移路径极少发生，比如‘B→W’只有三次，直接算概率会不稳定。”

    “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。