Adaptive Hierarchical Hidden Markov Models for Structural Market Change
Notice bibliographique
Résumé
Financial markets evolve through recurring phases of stability, turbulence, and structural transformation. Standard Hidden Markov Models (HMMs) assume fixed transition probabilities, which limits their ability to capture such higher-order changes in market behavior. This study introduces an Adaptive Hierarchical Hidden Markov Model (AH-HMM), where regime transitions depend on an unobserved meta-regime that reflects the broader macro-financial environment. Each meta-regime defines its own transition matrix across market states such as bull, bear, and turbulent phases. In this way, the model adapts dynamically to structural changes arising from crises, policy shifts, or variations in investor sentiment. Using weekly data for major equity indices, aggregated from daily prices, together with macro-uncertainty indicators, we show that the AH-HMM identifies key turning points including the Global Financial Crisis, the COVID-19 shock, and the post-2022 tightening cycle. In our empirical application, where we approximate the latent structural layer by low- and high-uncertainty environments defined from the VIX, the adaptive model attains a higher in-sample likelihood and delivers competitive out-of-sample forecasts and Value-at-Risk coverage relative to conventional HMMs and time-varying transition alternatives. Overall, the results highlight a mechanism of structural learning within market regimes and offer tools for risk management and policy analysis under uncertainty.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».