1. 经济时间序列里的区制切换到底难在哪如果你手上有 GDP 增速、工业增加值、CPI 或者失业率这类宏观经济时间序列大概率会遇到一个绕不开的问题同一条曲线前半段波动小、均值高后半段突然波动放大、均值下移用一条固定系数的 AR 模型去拟合残差总是忽大忽小预测在拐点附近几乎全错。这不是你模型写错了而是数据本身在“换挡”——经济系统在不同阶段运行在不同的区制regime里扩张期和衰退期的均值、方差、自回归结构都可能不一样。马尔可夫区制转换Markov Regime SwitchingMRS自回归模型就是专门处理这种“换挡”的。它的核心思想很直白假设序列在每个时刻处于 K 个隐含区制之一每个区制有自己的均值、方差和自回归系数区制之间按一个转移概率矩阵切换而且这个切换过程是马尔可夫的——下一时刻在哪个区制只取决于当前区制。Hamilton1989那篇经典论文就是用 4 阶自回归加两区制均值切换来刻画美国 GDP 的后来 Kim 和 Nelson 把它扩展到时变转移概率、方差切换等变体。MRS 自回归模型能做什么一句话它不只给你一条拟合曲线还给你每个时刻“处于衰退区制的概率”这条概率序列让你能定量判断经济周期什么时候切换、切换得有多确定。适合谁做宏观研究、量化策略、风险预警、行业景气跟踪的人只要你的数据存在结构性突变都值得试。但真正上手时坑集中在三块一是似然函数有大量局部极值起始参数没选好就收敛到垃圾解二是滤波概率和平滑概率容易搞混导致你拿到的“区制概率”其实是滞后的三是环境配置和依赖版本statsmodels 的 MarkovAutoregression 在不同版本里参数名和返回结构有差异跑不通报错很常见。这篇就按“数据准备 → 模型配置 → 区制概率输出 → 结果验证”的完整链路走一遍配置和参数清单都能直接复制。我试过用本地环境反复调参也试过把长耗时的拟合任务放到 TaoToken 的模型对话里做参数讨论和报错定位下面把两条线都讲清楚。核心检索词先记住马尔可夫区制转换、MRS 自回归模型、经济时间序列区制识别这三个词贯穿全文。2. TaoToken 前置把拟合环境和模型对话接起来在正式写模型之前先把工具链理顺。MRS 自回归模型的拟合本身是本地 Python 干的活statsmodels 负责数值优化这一步不需要联网。但实际做研究会遇到两类需要外部模型能力介入的场景一是你拿到一堆报错和收敛警告想快速定位是参数问题还是数据问题二是你想让模型帮你解释转移矩阵、预期持续期这些输出到底意味着什么或者生成一段可读的区制划分报告。这时候把 TaoToken 接进来会省很多来回。TaoToken 在这里扮演的是“模型调用入口”的角色你通过统一的 API 去访问对话模型用来做代码排障、参数解释、报告润色。它不是一个编辑器也不替代你本地的 statsmodels而是补上“理解输出”和“排查报错”这一环。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 注意 API 这个地址不带 UTM 参数配置的时候别拼错。你需要准备三样东西这也是后面所有配置的基础Base URL、API Key、Model ID。Base URL 用 https://taotoken.net/api API Key 在控制台的 API Keys 页面生成Model ID 按你实际要用的对话模型填。这三件套在后面的 JSON 配置、环境变量、以及 Claude Code 类工具里都会反复出现先记牢。生成 Key 的路径是控制台里的 API Keys 模块deep link 是 https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite 。如果你只是想先跟模型聊聊 MRS 的参数含义可以直接用模型对话入口 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。要是你打算长期做编码和 Agent 类任务比如让模型持续帮你改拟合脚本那更适合用 Coding Plan入口是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 。这里要强调一个顺序先把本地 Python 环境和 statsmodels 装好确认能跑通一个最小的 AR 模型再去接 TaoToken 做辅助。很多人反过来环境还没通就急着调 API结果报错分不清是本地依赖问题还是网络配置问题。正确的做法是本地拟合和模型调用两条线各自独立验证再合起来用。依赖清单建议固定版本避免 statsmodels 升级导致参数名变化python -m venv mrs_env source mrs_env/bin/activate # Windows 用 mrs_env\Scripts\activate pip install numpy1.26.4 pandas2.2.2 statsmodels0.14.2 matplotlib3.8.4 pandas-datareader0.10.0装完后跑一句import statsmodels.api as sm; print(sm.__version__)确认输出 0.14.2。这一步过了再往下走模型部分。TaoToken 的接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 配置细节以文档为准。3. 可复制配置MRS 自回归模型的参数清单与 settings 片段这一节是全文的技术核心给出可直接复制的模型配置。先讲数据准备再讲 Hamilton 两区制均值切换模型然后扩展到时变转移概率最后给出统一的 settings 片段。数据准备阶段用 pandas-datareader 拉宏观序列或者直接读本地 CSV。为了可复现建议把数据标准化处理尤其是后面做时变转移概率时外生变量量纲不一致会导致优化发散。import numpy as np import pandas as pd import statsmodels.api as sm import matplotlib.pyplot as plt # 读取本地经济时间序列假设列名为 gdp_growth df pd.read_csv(macro_series.csv, parse_dates[date], index_coldate) series df[gdp_growth].dropna() # 标准化便于时变转移概率的外生变量对齐 series_std (series - series.mean()) / series.std() print(series_std.head())Hamilton1989的核心配置是两区制、4 阶自回归、均值切换但自回归系数不切换。对应 statsmodels 的 MarkovAutoregression关键参数是 k_regimes2、order4、switch_arFalse。默认模型会切换自回归系数所以必须显式关掉。# Hamilton 两区制均值切换 AR(4) hamilton_model sm.tsa.MarkovAutoregression( series_std, k_regimes2, order4, switching_varianceTrue, # 允许两区制方差不同 switch_arFalse # 自回归系数不随区制切换 ) # 用 EM 找起始参数再用 BFGS 精修 hamilton_res hamilton_model.fit(search_reps20, maxiter500) print(hamilton_res.summary())search_reps20是对起始参数做 20 次随机扰动搜索因为 MRS 的似然函数局部极值多单次优化很容易卡在次优解。switching_varianceTrue让两区制方差不同这更符合经济数据“衰退期波动大”的特征。如果你只想要均值切换、方差相同把它设成 False。时变转移概率Filardo 1994的配置不同它用 MarkovRegression 而不是 MarkovAutoregression并且通过 exog_tvtp 指定驱动转移概率的外生变量。这里外生变量要滞后一期因为 t 时刻的转移概率由 t-1 的信息决定。# 构造时变转移概率的外生变量取滞后一期 exog_tvtp sm.add_constant(series_std.shift(1)).dropna() endog_tvtp series_std.loc[exog_tvtp.index] tvtp_model sm.tsa.MarkovRegression( endog_tvtp, k_regimes2, trendc, switching_varianceTrue, exog_tvtpexog_tvtp ) tvtp_res tvtp_model.fit(search_reps20, maxiter500) print(tvtp_res.summary())三区制方差切换模型Kim, Nelson, Startz 1998用 MarkovRegressiontrendnc 表示无均值效应k_regimes3switching_varianceTruekns_model sm.tsa.MarkovRegression( series_std, k_regimes3, trendnc, switching_varianceTrue ) kns_res kns_model.fit(search_reps20, maxiter500)把上面这些参数整理成一份可复用的 settings 片段方便你在不同项目里直接改。下面这份 JSON 是模型配置的抽象清单字段名和 statsmodels 参数一一对应{ model_type: MarkovAutoregression, k_regimes: 2, order: 4, switch_ar: false, switching_variance: true, trend: c, fit: { search_reps: 20, maxiter: 500, method: bfgs }, tvtp: { enabled: true, exog_lag: 1, model_type: MarkovRegression } }如果你用 TOML 管理项目配置等价写法是[mrs] model_type MarkovAutoregression k_regimes 2 order 4 switch_ar false switching_variance true trend c [mrs.fit] search_reps 20 maxiter 500 method bfgs [mrs.tvtp] enabled true exog_lag 1 model_type MarkovRegression参数选择上有几个经验值k_regimes 一般从 2 开始经济周期最经典的就是扩张/衰退两分order 用 4 对应季度数据的年度滞后月度数据可以试 12search_reps 不要低于 10否则随机搜索覆盖不够maxiter 给到 500 以上MRS 收敛慢。这些不是拍脑袋是反复拟合后比较对数似然值定下来的。4. 验证请求与成功结果区制概率输出和预期持续期模型拟合完真正要看的是区制概率序列和预期持续期。这里最容易踩的坑是滤波概率filtered probability和平滑概率smoothed probability混用。滤波概率只用截至 t 时刻的信息估计 t 时刻的区制平滑概率用了全样本信息后者更准但含未来信息做实时判断时不能用平滑概率。# 滤波概率基于截至 t 的信息 filtered hamilton_res.filtered_marginal_probabilities # 平滑概率基于全样本 smoothed hamilton_res.smoothed_marginal_probabilities fig, axes plt.subplots(2, 1, figsize(12, 7), sharexTrue) axes[0].plot(filtered[0], labelFiltered P(regime 0)) axes[0].set_title(Filtered probability) axes[0].legend() axes[1].plot(smoothed[0], labelSmoothed P(regime 0), colororange) axes[1].set_title(Smoothed probability) axes[1].legend() plt.tight_layout() plt.savefig(regime_prob.png, dpi150)跑通后你会看到一条在 0 和 1 之间跳动的概率曲线接近 1 的区段就是模型判定处于区制 0 的时期。把这条曲线和 NBER 衰退区间或者你自己标注的拐点对比就能判断模型有没有捕捉到周期切换。预期持续期由转移矩阵算出来。对角元素 p_ii 是从区制 i 留在区制 i 的概率预期持续期是 1/(1-p_ii)。# 转移矩阵 trans_mat hamilton_res.regime_transition[:, :, 0] print(转移矩阵:\n, trans_mat) # 预期持续期 expected_duration 1 / (1 - np.diag(trans_mat)) print(各區制预期持续期(期):, expected_duration)如果两区制分别是衰退和扩张预期持续期通常一个短一个长比如衰退约 4 个季度、扩张约 10 个季度这和经济直觉一致。如果两个区制的持续期差不多或者某个区制持续期只有 1 期说明模型可能没识别出真正的区制需要回头调 k_regimes 或换数据。时变转移概率模型还要看预期持续期随时间的变化# 时变转移概率下的预期持续期 tvtp_duration tvtp_res.expected_durations plt.figure(figsize(12, 3)) plt.plot(tvtp_duration[:, 0], labelRegime 0 duration) plt.plot(tvtp_duration[:, 1], labelRegime 1 duration) plt.legend() plt.title(Time-varying expected duration) plt.savefig(tvtp_duration.png, dpi150)成功的结果长这样平滑概率曲线在衰退期明显抬升转移矩阵对角占优p_ii 明显大于 0.5预期持续期符合经济周期长度。如果这三点都满足说明模型捕捉到了区制切换。如果你在验证阶段遇到报错或者对输出不确定可以把 summary 和报错贴到 TaoToken 的模型对话里让它帮你解读入口是 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。比如“转移矩阵对角元素都接近 0.5 说明什么”这类问题模型能给出比翻文档更快的解释。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth这一节按真实报错来每个都给出定位思路。注意下面涉及的报错既有本地拟合的也有接 TaoToken 时的分开看。第一个是 401 Unauthorized。这个基本出现在调 TaoToken API 的时候原因是 API Key 没带、带错或者过期。检查三件套里的 Key 是不是从控制台 API Keys 页面复制的有没有多余空格。请求头里应该是Authorization: Bearer 你的Key。如果 Key 没问题还是 401确认 Base URL 用的是 https://taotoken.net/api 不要拼成带 UTM 的地址。第二个是 local proxy failed。这个报错通常出现在你本地网络环境有代理设置但请求走不通的时候。处理方式是检查环境变量里的 HTTP_PROXY / HTTPS_PROXY 有没有指向一个不可用的地址把它清掉再试。注意这里说的是清理本地无效代理配置不是让你去搭什么通道纯粹是排除环境干扰。第三个是 reading choices 相关报错比如KeyError: choices或者解析响应时拿不到 choices 字段。这多半是响应结构和你代码里假设的不一致或者请求本身失败了返回了错误对象。先打印完整响应体看结构再取字段。如果你用的是 OpenAI 兼容的 SDK确认 base_url 指向 https://taotoken.net/api model 字段填的是有效的 Model ID。第四个是 OAuth 相关报错。如果你用 Claude Code 这类工具接入可能会走 OAuth 流程。报错通常是 token 过期或者回调地址不对。这类工具接入时同样要写全三件套Base URL 用 https://taotoken.net/api Key 用控制台生成的Model ID 按工具要求填。Claude Code 的接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 按文档走 OAuth 配置。第五个是本地拟合的收敛警告比如ConvergenceWarning: Maximum Likelihood optimization failed to converge。这不是网络问题是数值优化没收敛。处理办法把 search_reps 从 20 提到 50maxiter 提到 1000或者换起始参数。MRS 的似然面很崎岖多试几次随机起始是常规操作。第六个是LinAlgError: Singular matrix。这通常出现在外生变量共线或者某个区制样本太少的时候。检查 exog_tvtp 里有没有常数列和另一个常数列重复或者把 k_regimes 从 3 降回 2 试试。把常见报错和对应动作整理成对照表方便你快速查报错出现环节定位动作401 UnauthorizedTaoToken API 调用检查 Key 和 Base URLlocal proxy failed本地网络环境清理无效代理环境变量KeyError: choices响应解析打印完整响应体OAuth token expiredClaude Code 接入重新走 OAuth核对三件套ConvergenceWarning本地拟合提高 search_reps 和 maxiterSingular matrix外生变量/区制检查共线降低 k_regimes排障时如果拿不准优先去接入文档核对配置文档入口 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite API Keys 在 https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite 。6. 把区制识别接进你的研究流程模型跑通只是第一步真正有价值的是把它接进日常研究流程。我的做法是固定一份 settings 片段每次换数据只改数据路径和 k_regimes其余参数不动这样不同序列之间的结果可比。区制概率输出后我会做两件事一是把平滑概率和已知的周期拐点对齐算一个简单的命中率二是把预期持续期和文献里的经济周期长度对比偏差太大就回头调模型。如果你要长期做这类建模建议用 Coding Plan 把拟合脚本、参数搜索、报告生成串成流水线入口是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 。日常快速验证模型输出含义用模型对话就够入口 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。API 调用统一走 https://taotoken.net/api Key 在控制台管理。最后留一个实用技巧MRS 模型对起始参数敏感与其每次手动调不如写一个循环对 search_reps 从 10 到 50 各跑一遍取对数似然最大的那次结果。这个循环本身不复杂但能显著降低你拿到次优解的概率。区制识别这件事模型给的是概率不是确定答案多跑几次、多对比几条序列比死磕单次结果靠谱得多。