馬可夫鏈——整張圖的地基，而非其中一項

把馬可夫鏈與 Black-Scholes 並列比較是一次範疇錯誤：Black-Scholes 的幾何布朗運動本身就是一個馬可夫過程。 Heston 的 $(S_t,v_t)$ 是二維馬可夫；SABR 的 $(F_t,{\sigma }_t)$ 是二維馬可夫；Kalman 濾波器的狀態方程式是線性高斯馬可夫；HMM 的隱狀態按定義是馬可夫鏈。圖中至少有七格建立在馬可夫假設上。它在 S 級是對的，但理由是它是語法而不是句子。

---

📖 馬可夫性質

一個過程若滿足

$$\mathrm{Pr}(X_{t+1}=j\mid X_t=i,X_{t-1},\dots ,X_0)=\mathrm{Pr}(X_{t+1}=j\mid X_t=i)$$

就稱為馬可夫的。白話說：要預測明天，今天的狀態已經包含了歷史所有有用的資訊。 這不是說歷史不重要，而是說歷史的影響已經全部濃縮進當前狀態——如果沒有，那就表示狀態定義得不夠完整。

離散狀態空間下，轉移機率寫成矩陣 $\mathbf{P}$，其中 $P_{ij}=\mathrm{Pr}(X_{t+1}=j\mid X_t=i)$，每列和為 1。n 步轉移由 Chapman-Kolmogorov 關係給出：

$${\mathbf{P}}^{(n)}={\mathbf{P}}^n$$

整個理論最實用的一句話就是這個：多期預測等於矩陣連乘。 不需要模擬，不需要積分。

若鏈是不可約且非週期的，存在唯一的平穩分布 $\mathbf{\pi }$，滿足：

$$\mathbf{\pi }\mathbf{P}=\mathbf{\pi },\sum _i{\pi }_i=1$$

也就是 ${\mathbf{P}}^{\top }$ 的特徵值 1 所對應的特徵向量。

連續時間版本用生成元矩陣 $\mathbf{Q}$（非對角為轉移率，每列和為零）：

$$\mathbf{P}(t)=\exp (\mathbf{Q}t)$$

這在信用風險建模中很關鍵，因為它允許計算任意時間長度的轉移機率，而不只是資料採樣的那個頻率。

---

📖 最具代表性的金融應用：信用評等轉移矩陣

評級機構每年發布轉移矩陣：給定今年是 BBB，明年落在 AAA、AA、A、BBB、BB、B、CCC、違約各自的機率。CreditMetrics 這類信用組合模型直接把它當作核心輸入，用來計算債券組合的價值分布與風險值。

這是馬可夫假設在金融中被檢驗得最徹底的地方，而結論是它不成立。 文獻累積了幾類系統性的偏離：

偏離	內容	代表文獻
評等漂移	轉移機率依賴已在該評等停留多久，違反時間齊一性	Altman & Kao（1992）、Carty & Fons、Lucas & Lonski（1992）、Moody’s（1993）
路徑依賴	轉移機率依賴前一個評等是什麼（剛被降級的 BBB 與長期 BBB 行為不同），降級方向特別顯著	Lando & Skødeberg
景氣循環依賴	繁榮期與壓力期的參數不同	Papanastasiou & Crook（馬可夫轉換連續時間框架）
銀行內部評等的反轉傾向	銀行傾向回復自己的評等動作，同時呈現路徑依賴與時間非齊一	Štěpánková，Journal of Credit Risk

後果是可量化的：Eisenkopf（EFMA 2008）以 CreditMetrics 模擬比較，結論是標準馬可夫過程高估了經濟風險，並提出時間非齊一的替代方案，包括高階馬可夫模型與隱藏馬可夫模型。

這正是馬可夫鏈作為工具的正確用法

它給出一個明確到可以被否證的基準。「評等轉移是馬可夫的」是一句可以設計檢定的話，而它被檢定、被拒絕了，這個過程本身產出了關於評等動態的真實知識。一個無法被否證的模型做不到這件事。

---

📖 其他五個用途

第一，所有擴散模型的狀態定義。 馬可夫假設決定了「狀態變數要包含什麼」。Heston 之所以要兩維，就是因為單用 $S_t$ 無法滿足馬可夫性——波動率必須被明示為狀態的一部分。模型設計中「要加哪個狀態變數」這個問題，本質上就是在問「加什麼才能讓它變成馬可夫」。

第二，弱式效率的數學形式。 「價格已反映所有歷史價格資訊」就是在說價格對歷史是馬可夫的。ARIMA 族在報酬上失效，和這件事是同一個陳述的兩種說法。

第三，MCMC。 貝氏校準幾乎全靠馬可夫鏈蒙地卡羅——構造一條平穩分布恰為目標後驗的鏈，跑夠久就得到抽樣。隨機波動率模型的參數估計大量依賴這個技術。

第四，限價單簿模型。 把訂單簿狀態（各價位的量）建模為連續時間馬可夫鏈，可以解析地算出「下一次中價上漲的機率」這類量，是高頻做市理論的基礎之一。

第五，馬可夫決策過程與強化學習。 最優執行、做市報價、動態避險都能寫成 MDP：狀態、行動、轉移、報酬。整個強化學習的理論框架建立在馬可夫假設上。

---

📖 S 級合不合理

合理，但它不該在這張表上。 把馬可夫鏈放進模型 tier list，類似把「微分方程」放進工程方法排行榜——它是其他項目的構成材料，不是競爭者。

真要給它一個獨立評價，它作為建模語言是 S 級（完全清楚、普遍適用、計算廉價），作為具體的獨立模型（例如直接用一階馬可夫鏈預測報酬狀態）則平庸：市場狀態離散化的切點是人為選的，而且評等矩陣的研究已經證明，真實的金融轉移過程往往是非馬可夫的。

---

🔍 待解問題

• 本篇的非馬可夫證據多來自摘要與會議論文，未逐篇核對全文的樣本與方法。
• 「高階馬可夫與 HMM 替代方案是否在實務的信用風險系統中被採用」缺乏公開資料；Basel 體系下的法規模型多半仍用一階矩陣。
• 限價單簿的馬可夫鏈模型在現代高頻市場（含大量取消單與演算法行為）的適用性，近年文獻有爭議，本篇未深入。

🔗 參考連結

• Eisenkopf, Rating Transitions and CreditMetrics（EFMA 2008）
• Papanastasiou & Crook, Non-Linear Cyclical Effects in Credit Rating Migrations（Edinburgh CER）
• Štěpánková, Bank-sourced transition matrixes: are banks’ internal credit risk estimates Markovian?（Journal of Credit Risk）

🕒 更新紀錄

• 2026-11-09：建立。