生成转移矩阵的算法

Question

转换概率为

例如，对于一种产品，当前价格为高时，下一期间为高价的概率为0.3，而低价为0.7。

我的问题是，对于两个独立的产品，转换概率是多少？

我正在寻找一些如下表所示的结果：

例如，给定当前价格水平为产品1的H和产品2的H，L为1且H为2的概率为0.7 * 0.3 = 0.21。

我正在使用的当前代码如下：

from sklearn.utils.extmath import cartesian
pr = np.array([[0.3,0.7],[0.6,0.4]])
P = np.zeros((4,4))
count = 0
for i in range(2):
    for j in range(2):
        P[count] = cartesian((pr[i],pr[j])).prod(1)
        count += 1
P

它适用于两种产品，但对于更多产品，它会非常混乱。例如对于四个独立的产品，转换矩阵是16 * 16：对于每个当前状态（例如HHHH），存在16种可能的未来状态，例如， （HHHH，HHHL，HHLH，HHLL，HLHH，......等）

有一种简单明了的方法吗？

Answer 1

如果我是正确的，你正在生成一个简单的马尔科夫TM。

现在你想看看另外两个产品的转换概率是多少？我对么？好吧，那么你只是要从数据中再次学习，但这一次，看看每个数据对的出现并将它们视为n-gram。

你的矩阵确实会变得非常大，但这不应该立刻造成问题。

如果你想回顾大量的时期，那么你可能想要考虑另一种可以更好地处理时间序列的技术。