HMM（Hidden Markov Model）中的Markov正是随机过程里面的马尔可夫假设的那个Markov。
一、引入
时间序列（数据）Series和集合（数据）Set是不一样的，时间序列数据中的不同两个数据点不能互换，而集合中的任意两个数据点
假设股市中的价格涨跌（观测值）背后有隐状态（牛、熊、平台），那么我们可以用Hidden Markov Model来表示这个过程。
预备知识点：
Markov假设：当前时刻t的状态qt只取决于前一时刻t-1的状态qt-1。这就是一阶马尔可夫假设。
状态转移概率矩阵（Transition Probability Matrix）A，行标是各个隐状态的可能值，列标也是，若有3个隐状态，则A是3x3阶矩阵。
观测概率矩阵（Emission Probability Matrix）B，行标是各个隐状态的可能值，列标是各个可能的观测值。注意：B不一定是矩阵形式，因为观测值不一定是discrete（离散的）。如果观测值是一个连续分布（例如高斯分布），怎么来表示这么一个观测概率矩阵呢？一定是3组（3指的是隐状态数目）高斯分布的参数μ,σ来表示的。
原文：https://www.cnblogs.com/alesvel/p/10147961.html