大数据时代,每时每刻都在产生着海量具备随机不确定性的数据,研究这些时序变化的随机序列并获取数据背后的隐藏信息具有重要的应用价值。隐马尔可夫模型具备可以从观测序列提取隐藏状态信息的特性,成为对随机序列进行数据挖掘的重要方法。本文基于隐马尔可夫模型针对随机序列状态估计问题展开研究,从隐马尔可夫模型的理论出发,针对金融随机序列展开建模与分析,主要包括以下三个方面:第一,分析了隐马尔可夫模型对随机序列进行状态估计的建模方法,将隐马尔可夫模型总结概括为一组模型参数、两个假设、三个问题。隐马尔可夫模型包括初始状态分布、状态转移矩阵、发射矩阵等模型参数;模型成立的前提是隐藏状态之间满足一阶齐次马尔可夫假设,隐藏状态与观测状态之间满足观测独立假设;解决评估问题可用前向/后向算法,解决解码问题可用Viterbi算法,解决学习问题可用Baum Welch算法。对模型的分析奠定了使用该模型展开随机序列状态估计研究的理论基础。第二,针对金融随机序列状态估计问题,提出了基于隐马尔可夫模型的市场强弱状态估计方法。用模型的隐藏状态表示市场的强弱状态,用市场上可以观测的数据作为输入数据训练隐马尔可夫模型,利用训练后的模型对真实金融数据进行分析,估计市场所处的状态。真实数据的实验结果从市场表现以及模型状态估计准确性两个角度验证了该方法的有效性。第三,改进使用隐马尔可夫模型估计金融市场强弱状态的建模效果。从模型输入特征数据以及模型隐藏状态数量两个角度出发,改进输入特征可以将历史数据中更多的信息输入到隐马尔可夫模型中;提高模型隐藏状态数量可以对市场进行更细粒度的划分。实验结果表明,从这两个角度出发对隐马尔可夫模型进行改进,既可以提高使用该模型制定的择时策略的收益效果,又可以提高模型对市场强弱状态的估计精度。