馬爾可夫（Markov）是俄國著名的數(shù)學(xué)家。馬爾可夫預(yù)測法是以馬爾可夫的名字命名的一種特殊的市場預(yù)測方法。馬爾可夫預(yù)測法主要用于市場占有率的預(yù)測和銷售期望利潤的預(yù)測。就是一種預(yù)測事件發(fā)生的概率的方法。它是基于馬爾可夫鏈，根據(jù)事件的目前狀況預(yù)測其將來各個時刻（或時期）變動狀況的一種預(yù)測方法。馬爾可夫預(yù)測法是對地理、天氣、市場、進行預(yù)測的基本方法，它是地理預(yù)測中常用的重要方法之一。

馬爾可夫進行深入研究后指出!對于一個系統(tǒng),由一個狀態(tài)轉(zhuǎn)至另一個狀態(tài)的轉(zhuǎn)換過程中,存在著轉(zhuǎn)移概率,并且這種轉(zhuǎn)移概率可以依據(jù)其緊接的前一種狀態(tài)推算出來,與該系統(tǒng)的原始狀態(tài)和此次轉(zhuǎn)移前的過程無關(guān)。一系列的馬爾可夫過程的整體稱為馬爾可夫鏈-馬爾可夫過程的基本概念是研究系統(tǒng)的“狀態(tài)”及狀態(tài)的‘轉(zhuǎn)移“,從一個狀態(tài)轉(zhuǎn)換到另一個狀態(tài)的可能性,我們稱之為狀態(tài)轉(zhuǎn)移概率-所有狀態(tài)轉(zhuǎn)移概率的排列即是轉(zhuǎn)移概率矩陣

1.狀態(tài)轉(zhuǎn)移概率具有兩個特性：

(1)P_ijge0(P_ij指從第i轉(zhuǎn)向第j的概率)；

sum_{j=1}P_ij=1

2.馬爾可夫分析的基本假定

在進行馬爾可夫分析時,我們假定：

(1)預(yù)測期系統(tǒng)狀態(tài)數(shù)保持不變

(2)系統(tǒng)狀態(tài)轉(zhuǎn)移概率矩陣不隨時間變化

(3)狀態(tài)轉(zhuǎn)移僅受前一狀態(tài)影響,即馬爾可夫過程的無后效性

3.馬爾可夫過程用于預(yù)測基本步驟

首先確定系統(tǒng)狀態(tài),然后確定狀態(tài)之間轉(zhuǎn)移概率,再進行預(yù)測,并對預(yù)測結(jié)果進行分析-若結(jié)果合理,則可提交預(yù)測報告,否則需檢查系統(tǒng)狀態(tài)及狀態(tài)轉(zhuǎn)移概率是否正確。

事物的發(fā)展?fàn)顟B(tài)總是隨著時間的推移而不斷變化的。在一般情況下，人們要了解事物未來的發(fā)展?fàn)顟B(tài)，不但要看到事物現(xiàn)在的狀態(tài)，還要看到事物過去的狀態(tài)。馬爾可夫認(rèn)為，還存在另外一種情況， 人們要了解事物未來的發(fā)展?fàn)顟B(tài)，只須知道事物現(xiàn)在的狀態(tài)，而與事物以前的狀態(tài)毫無關(guān)系。例如，Ａ產(chǎn)品明年是暢銷還是滯銷， 只與今年的銷售情況有關(guān)，而與往年的銷售情況沒有直接的關(guān)系。后者的這種情況就稱為馬爾可夫過程，前者的情況就屬于非馬爾可夫過程。

馬爾可夫過程的重要特征是無后效性。事物第n次出現(xiàn)的狀態(tài)，只與其第n-1次的狀態(tài)有關(guān)，它與以前的狀態(tài)無關(guān)。舉一個通俗例子說：池塘里有三片荷葉和一只青蛙，假設(shè)青蛙只在荷葉上跳來跳去。若現(xiàn)在青蛙在荷葉Ａ上，那么下一時刻青蛙要么在原荷葉Ａ上跳動，要么跳到荷葉Ｂ上，或荷葉Ｃ上。青蛙究竟處在何種狀態(tài)上，只與當(dāng)前狀態(tài)有關(guān)，而與以前位于哪一片荷葉上并無關(guān)系。這種性質(zhì)，就是無后效性。

所謂“無后效性”，是指過去對未來無后效，而不是指現(xiàn)在對未來無后效。馬爾可夫鏈?zhǔn)桥c馬爾可夫過程緊密相關(guān)的一個概念。馬爾可夫鏈指出事物系統(tǒng)的狀態(tài)由過去轉(zhuǎn)變到現(xiàn)在，再由現(xiàn)在轉(zhuǎn)變到將來，一環(huán)接一環(huán)像一根鏈條，而作為馬爾可夫鏈的動態(tài)系統(tǒng)將來是什么狀態(tài)，取什么值， 只與現(xiàn)在的狀態(tài)、取值有關(guān)，而與它以前的狀態(tài)、取值無關(guān)。因此，運用馬爾可夫鏈只需要最近或現(xiàn)在的動態(tài)資料便可預(yù)測將來。馬爾可夫預(yù)測法就是應(yīng)用馬爾可夫鏈來預(yù)測市場未來變化狀態(tài)。