马尔可夫区制转换

马尔可夫区制转换（Markov Regime Switching, MRS）是一种非线性时间序列计量模型，由詹姆斯·汉密尔顿（James D. Hamilton）于1989年在其经典论文中正式提出。其核心思想是：数据的生成过程在不同"状态"（区制）之间随机切换，切换行为服从一条不可观测的马尔可夫链。与传统的结构性突变模型不同，MRS不要求研究者事先指定突变发生时点，而是允许数据本身决定状态切换的概率与时机。这一特性使其在经济周期分析、金融波动率建模、利率期限结构解析等领域广泛应用，成为现代计量经济学不可或缺的方法之一。

1. 模型设定

设 $y_t$ 为被解释变量，$S_t \in \{1, \dots, K\}$ 为不可观测的状态变量。基本形式为：

截距、自回归系数和方差均随状态变化，刻画不同区制下序列在均值、动态结构和波动幅度上的差异。状态变量 $S_t$ 的转移概率矩阵为 $P = (p_{ij})$，其中 $p_{ij} = \Pr(S_t = j \mid S_{t-1} = i)$，且 $\sum_j p_{ij}=1$。$p_{ii}$ 越接近1，该区制的持续性越强——经济周期中的"扩张"与"收缩"正是依赖高持续性体现其结构性特征的。

2. Hamilton滤波器

MRS的核心估计方法是Hamilton滤波器，迭代执行两步操作：

1. 预测：利用转移概率和前一期的后验分布，预测t期的状态分布：$\Pr(S_t = j \mid \Omega_{t-1}) = \sum_i p_{ij} \Pr(S_{t-1}=i \mid \Omega_{t-1})$。
2. 更新：观测 $y_t$ 后，用贝叶斯法则更新后验概率。

迭代至t=T得到"平滑概率"，即全部样本信息下各时点的状态推断。例如，GDP增长率的"衰退"平滑概率从0.1飙升至0.9以上时，模型便自动标识衰退起始点。平滑概率是区制识别和经济周期转折点判定的重要依据。

3. 主要扩展

MRS模型衍生出多种变体：时变转移概率（TVTP）将转移概率建模为外生变量函数，使区制转换更具经济直觉——当通胀高企时，向紧缩区制转移的概率可能系统性上升；多元MRS利用多序列共同识别区制；MS-VAR将区制转换引入VAR框架，允许截距、系数和方差协方差随状态变化。

4. 应用领域

经济周期分析：汉密尔顿最早将其用于美国GNP增长率分析，发现1950—1980年代间存在"扩张"与"衰退"两区制，衰退平均持续约一年、扩张三年以上，与NBER周期判定高度一致。金融波动率建模：刻画波动集聚效应——低波动均值回复与高波动趋势延续两区制交替出现，与股灾和恐慌时期的实际市场表现吻合。利率与货币政策：检验泰勒规则参数的时变性，发现美联储反应函数在不同时期存在明显的结构性差异。

5. 局限

区制数目K的选取缺乏统一标准；区制间参数差异过小时识别力下降；状态标签需要研究者主观赋予经济含义；高维似然函数存在大量局部极值，对初始值敏感；样本外预测能力常不及线性模型。

6. 总结

MRS模型为时间序列分析提供了刻画结构变化的优雅框架。其核心洞见是：经济系统在不同"世界状态"间跳跃——这种跳跃来自制度变迁、市场情绪或外部冲击——而马尔可夫链恰好提供了刻画跳跃概率的最小完备工具。将MRS与高维数据和深度学习结合，有望进一步拓展其解释力。