Nonlinear Covariate Integration in Hidden Markov Models Using Evidential Deep Learning
Hidden Markov Models (HMMs) are widely used to identify latent market regimes in financial time series. However, conventional HMM forecasting simply reverts to the long-term average, missing key dynamics. While covariates can help, their incorporation requires parametric modeling of the transition matrix, limiting complex financial covariates. We developed an improved HMM forecasting framework which captures nonlinear covariate relationships using evidential deep learning. An evidential deep learning model is trained to predict future latent states via a Dirichlet distribution with confidence scores. These confidence-weighted predictions are incorporated into the HMM state-transition probability matrix, enabling adaptive transitions. The hybrid model improves forecasting of the TSX Composite Index compared to standalone HMMs or deep learning alone, by correctly identifying volatility periods, such as the 2020 COVID-19 market crash, while avoiding false positives.
Intégration non linéaire des covariables dans les modèles de Markov cachés à l'aide de l'apprentissage profond évidentiel
Les modèles de Markov cachés (HMM) sont largement utilisés pour identifier les régimes de marché latents dans les séries chronologiques financières. Cependant, les prévisions HMM conventionnelles se contentent de revenir à la moyenne à long terme, passant ainsi à côté de dynamiques clés. Si les covariables peuvent aider, leur intégration nécessite une modélisation paramétrique de la matrice de transition, ce qui limite les covariables financières complexes. Nous avons développé un cadre de prévision HMM amélioré qui capture les relations non linéaires entre les covariables à l'aide de l'apprentissage profond évidentiel. Un modèle d'apprentissage profond évidentiel est entraîné à prédire les états latents futurs via une distribution de Dirichlet avec des scores de confiance. Ces prédictions pondérées par la confiance sont intégrées dans la matrice de probabilité de transition d'état HMM, permettant des transitions adaptatives. Le modèle hybride améliore la prévision de l'indice composé TSX par rapport aux HMM autonomes ou à l'apprentissage profond seul, identifiant correctement les périodes de volatilité, telles que le krach boursier de 2020 lié à la COVID-19, tout en évitant les faux positifs.
Traduit avec DeepL.com (version gratuite)
Traduit avec DeepL.com (version gratuite)
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais