Mikä on Markov-analyysi?
Markov-analyysi on menetelmä, jota käytetään ennustamaan muuttujan arvo, jonka ennustettuun arvoon vaikuttaa vain sen nykyinen tila, ei mikään aiempi toiminta. Pohjimmiltaan se ennustaa satunnaismuuttujan yksinomaan muuttujan ympäröivien olosuhteiden perusteella.
Tekniikka on nimetty venäläisen matemaatikon Andrei Andrejevich Markovin mukaan, joka oli edelläkävijä stokastisten prosessien tutkimuksessa, jotka ovat prosessit, joihin liittyy sattuman käyttö. Hän käytti ensin tätä menetelmää ennustaakseen säiliöön jääneiden kaasuhiukkasten liikkeet. Markovin analyysiä käytetään usein käyttäytymisen ja päätösten ennustamiseen suurissa ihmisryhmissä.
TÄRKEIMMÄT TAPAHTUMAT
- Markov-analyysi on menetelmä, jota käytetään ennustamaan muuttujan arvo, jonka ennustettuun arvoon vaikuttaa vain sen nykyinen tila, ei mikään aiempi toiminta. Markov-analyysin ensisijaiset edut ovat yksinkertaisuus ja otannan ulkopuolinen ennustetarkkuus.Markov-analyysi ei ole kovin hyödyllinen tapahtumien selittämisessä, eikä se useimmissa tapauksissa voi olla todellisen mallin taustalla olevasta tilanteesta.Markov-analyysi on hyödyllinen rahoituskeinottelijoille, etenkin vauhtia sijoittajille.
Markov-analyysin ymmärtäminen
Markovin analyysiprosessissa määritellään tulevaisuuden toiminnan todennäköisyys muuttujan nykytilan perusteella. Kun tulevien toimien todennäköisyydet kussakin tilassa on määritetty, päätöksenpuu voidaan piirtää. Sitten tuloksen todennäköisyys voidaan laskea muuttujan nykytilan perusteella. Markov-analyysillä on useita sovelluksia yritysmaailmassa. Sitä käytetään usein ennustamaan viallisten kappaleiden lukumäärä, jotka tulevat kokoonpanolinjalta, linjalla olevien koneiden toimintatilan perusteella.
Sitä voidaan käyttää myös ennustamaan yrityksen myyntisaamisten osuus, josta tulee luottotappioita. Jotkut osakekurssi- ja optiohintaennustemenetelmät sisältävät myös Markov-analyysin. Viimeinkin yritykset käyttävät sitä usein ennustamaan nykyisten asiakkaiden tulevaisuuden tuotemerkki-uskollisuutta ja näiden kuluttajapäätösten tuloksia yrityksen markkinaosuudesta.
Markov-analyysin edut
Markov-analyysin ensisijaiset hyödyt ovat yksinkertaisuus ja otoksen ulkopuolinen ennustetarkkuus. Yksinkertaiset mallit, kuten Markov-analyysissä käytetyt mallit, tekevät usein parempia ennusteita kuin monimutkaisempia malleja. Tämä tulos tunnetaan ekonometriassa.
Markovin analyysin haitat
Markovin analyysi ei ole kovin hyödyllinen tapahtumien selittämisessä, eikä se useimmissa tapauksissa voi olla todellisen mallin taustalla olevasta tilanteesta. Kyllä, on suhteellisen helppo arvioida ehdolliset todennäköisyydet nykytilan perusteella. Se kertoo kuitenkin usein pienestä syystä miksi jotain tapahtui.
Suunnittelussa on aivan selvää, että koneen rikkoutumisen todennäköisyyden tunteminen ei selitä miksi se rikkoutui. Vielä tärkeämpää on, että kone ei todellakaan hajoa todennäköisyyden perusteella, joka riippuu siitä, hajosiko se tänään. Todellisuudessa kone saattaa rikkoutua, koska sen hammaspyörät on voideltava useammin.
Rahoituksessa Markov-analyysi kohtaa samat rajoitukset kuin suunnittelussa, mutta ongelmien ratkaiseminen on monimutkaista, koska suhteellisen puutteelliset tiedot rahoitusmarkkinoista ovat meillä. Markov-analyysi on paljon hyödyllisempi arvioitaessa maksukyvyttömien velkojen osuutta kuin ensin huonojen luottoriskien seulontaan.
Markovin analyysi on arvokas työkalu ennusteiden tekemiseen, mutta se ei tarjoa selityksiä.
Esimerkki Markov-analyysistä
Markovin analyysiä voivat käyttää osakekeinottelijat. Oletetaan, että vauhtiasijoittaja arvioi, että suosikkiosakkeilla on 60%: n mahdollisuus lyödä markkinoita huomenna, jos se tekee niin tänään. Tämä arvio sisältää vain nykytilan, joten se ylittää Markov-analyysin avainrajan. Markovin analyysin avulla spekulaatio voi myös arvioida, että todennäköisyys, että osake ylittää markkinat seuraavien kahden päivän ajan, on 0, 6 * 0, 6 = 0, 36 tai 36%, kun otetaan huomioon, että osake voittaa markkinat tänään. Spekulaattorit yrittävät vahvistaa potentiaalisia voittoja tämän tyyppisestä Markov-analyysistä käyttämällä vipuvaikutusta ja pyramidiä.
