R语言有限高斯马尔可夫链随机生成方法及相关工具包咨询

你目前写的有限高斯马尔可夫链基础生成逻辑是正确的，要实现你伪代码定义的rGaussMC函数，不需要依赖第三方包，原生R即可实现，以下版本还做了内存预分配优化，长序列生成时比逐次追加向量的写法性能更好：

rGaussMC <- function(n = 10, start_value = 0, sd = 1) {
  chain <- numeric(n + 1)
  chain[1] <- start_value
  for (i in seq_len(n)) {
    chain[i+1] <- rnorm(1, mean = chain[i], sd = sd)
  }
  return(chain)
}

# 调用测试
rGaussMC(n = 10, start_value = 0, sd = 1)

如果你后续需要更丰富的马尔可夫链及其他随机过程模拟能力，优先选择以下几个综合类工具包，均满足你“集成多类随机过程RNG、而非仅支持高斯过程”的筛选要求，各包核心特色如下：

• markovchain
  是目前R生态中马尔可夫链相关功能覆盖最系统的综合工具包，并非仅针对高斯场景设计。除了基础的马尔可夫链随机数生成，还内置了离散/连续时间马尔可夫链、高阶马尔可夫链、隐马尔可夫链的转移矩阵估计、稳态计算、路径可视化、统计推断全流程功能。你只需要自定义高斯条件转移核，就能快速生成目标高斯马尔可夫链；包内还附带了随机游走、泊松过程、常见MCMC采样算法等多类随机过程的现成实现，非常适合从基础生成环节入手系统学习马尔可夫链相关技术。
• actuar
  面向精算、风险模拟场景开发的综合随机模拟工具包，内置的随机数生成函数覆盖上百种概率分布，以及马尔可夫链、更新过程、复合泊松过程、聚合风险过程等多类常用随机过程。包内的马尔可夫链生成接口支持自定义任意转移分布，将转移规则设置为高斯条件分布即可生成高斯马尔可夫链，后续学习其他类型随机过程时不需要额外切换工具包，学习成本更低。
• HiddenMarkov
  除了支持普通马尔可夫链的生成、推断，还覆盖了隐马尔可夫模型的全流程模拟、分析功能，支持离散、连续多种分布的观测序列生成，不局限于高斯场景。如果后续你要学习带隐状态的马尔可夫类模型，这个包的接口逻辑清晰，很适合做不同过程的生成对照实验，帮你理清不同马尔可夫类过程的核心差异。

内容的提问来源于stack exchange，提问作者GiulioGCantone