<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>markov-chains &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/markov-chains/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 20 Nov 2025 21:42:09 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>markov-chains &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Модели переключения режимов (Regime Switching) для моделирования изменений финансовых рынков</title>
		<link>https://mlgu.ru/4572/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 22 Sep 2025 17:17:24 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4572</guid>

					<description><![CDATA[В мире количественных финансов существует фундаментальная проблема: многие популярные финансовые модели предполагают стационарность процессов там, где ее попросту нет. Рынки не остаются в одном состоянии &#8212; они переключаются между различными режимами волатильности, тренда и корреляций. Именно здесь модели переключения режимов становятся полезным практическим инструментом для построения эффективных торговых стратегий и управления рисками. Концептуальная основа моделей [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Марковские цепи Монте-Карло (Markov Chain Monte-Carlo, MCMC)</title>
		<link>https://mlgu.ru/3222/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 05 Jul 2025 08:04:15 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[расчет доходности]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3222</guid>

					<description><![CDATA[MCMC представляет собой семейство алгоритмов, которые позволяют генерировать выборки из сложных вероятностных распределений, которые не имеют аналитического решения, либо оно сложно реализуемо. В основе этих методов лежит элегантное сочетание теории Марковских цепей и принципов Монте-Карло, что позволяет исследовать высокоразмерные пространства параметров с удивительной эффективностью. В этой статье мы погрузимся в мир методов MCMC, теорию и [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Байесовская модель пространственно-временного ряда (Bayesian State-Space Time Series Model)</title>
		<link>https://mlgu.ru/2896/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Jun 2025 11:43:08 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2896</guid>

					<description><![CDATA[Когда я впервые столкнулся с байесовскими моделями пространственно-временных рядов в контексте разработки торговых алгоритмов, меня поразила их элегантность и мощь. В отличие от традиционных методов прогнозирования временных рядов, которые часто игнорируют неопределенность или делают слишком жесткие предположения о структуре данных, байесовские state-space модели предоставляют гибкий фреймворк для работы с динамическими системами в условиях неопределенности. Данная [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Вероятностные модели для прогнозирования цен биржевых активов</title>
		<link>https://mlgu.ru/2500/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 23 May 2025 13:26:59 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2500</guid>

					<description><![CDATA[В этой статье я хочу поделиться своим подходом к использованию вероятностных моделей для прогнозирования цен активов. Мы разберем, почему традиционные методы часто подводят, какие подходы применяют профессионалы в хедж-фондах, и как вы можете использовать Python для реализации таких моделей. Моя цель — создать подробное руководство, которое будет полезно как для профессионалов в области data science, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ фьючерса на Brent с помощью Pandas, Sklearn, Hmmlearn</title>
		<link>https://mlgu.ru/1495/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 01 May 2025 20:20:16 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1495</guid>

					<description><![CDATA[Фьючерсы на Brent являются международным эталоном для мировых цен на нефть, их мониторят нефтяные трейдеры во всем мире. Они представляют собой контракты, которые обязывают покупателя приобрести, а продавца продать определенное количество нефти в будущем по цене, согласованной сегодня. Профессиональный анализ фьючерсов на нефть Brent может дать значительное преимущество трейдерам и инвесторам, особенно если применять современные [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Трафик сайтов. Анализ воронки и клиентского поведения с помощью Python</title>
		<link>https://mlgu.ru/383/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Sep 2024 20:47:41 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=383</guid>

					<description><![CDATA[В эпоху доминирования цифровых коммуникаций сайты часто являются первой точкой контакта с потенциальными клиентами. И понимание того, как пользователи взаимодействуют с сайтом, откуда они приходят и что их интересует, может дать ценное преимущество в конкурентной борьбе. В этой статье я поделюсь своим опытом и расскажу, как использовать Python для глубокого анализа трафика сайтов и поведения [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
