市场脉搏（1）：基于隐马尔科夫链与动态调制的量化择时方案

发布时间：2025-08-20 策略观点 市场脉搏（1）：基于隐马尔科夫链与动态调制的量化择时方案 ⚫投资要点 面对当前“多变量撕裂”的复杂市场，传统择时方法效力减弱。通过构建“宏观-资金情绪-市场状态”三维分析框架，利用HMM模型将不可观测的市场环境量化为4种可感知的隐藏状态（趋势上涨/震荡上涨/震荡下跌/趋势下跌），实现了对市场运行模式的精准刻画。 动态调制机制突破传统趋势模型瓶颈，实现“预见性”择时。传统HMM模型是静态的，难以适应瞬息万变的市场，创新性地引入了基于宏观经济脉冲（PMI+信贷脉冲）和资金情绪（恐慌指数+融资盘+ETF流向+散户情绪）的双因子动态调制矩阵，可在外生环境变化时主动干预模型输出，显著提升了模型对市场拐点的反应速度甚至提供了一定预判能力。 凯利公式动态仓位优化，实现风险收益比最大化。有别于简单的固定仓位模式，将HMM状态判断与凯利公式相结合，不仅解决了“何时出手”的问题，更精准回答了“下多少注”的难题，从而在震荡市中主动规避“模糊机会”，在趋势行情中敢于重仓，最终实现单位风险下的收益最大化。 研究所 分析师:黄子崟SAC登记编号:S1340523090002Email:huangziyin@cnpsec.com 回测表现卓越，风险控制能力突出。基于2016-2023年数据训练，对2024年以来严峻的市场环境进行样本外测试。优化后的完整策略（HMM_Opt_Kelly）年化收益率达20.9%，远超万得全A指数（16.8%），年化波动率（16.2%）显著低于指数（23.4%），夏普比率（1.29）与Calmar比率（1.90）均大幅领先。更为重要的是，策略对最大回撤的控制极致严格，凸显了其卓越的下行风险保护能力。 近期研究报告 《节奏和方向同样重要》-2025.08.11 为主观投资者提供了一个全新的、量化的“市场状态观测镜”。本报告中的择时将纷繁复杂的宏观变化、资金博弈和市场波动，综合处理为清晰可辨的“状态”信号。这种系统性的状态识别能力，有效弥补了人性在感知市场氛围时容易产生的滞后与偏差。投资者可将其输出作为关键的辅助决策因子，用于验证投资直觉、优化仓位管理的节奏，以及在风格剧烈切换时寻找客观的参照锚点，从而在复杂的市场环境中提升决策的胜率和稳健性。 ⚫风险提示： 经济数据不及预期、中美摩擦加剧、地缘冲突恶化、全球金融环境不稳定影响、上市公司盈利情况不及预期等。 目录 1核心框架：化时序预测为状态选择题.........................................................41.1基础假设：未来仅与现在相关...........................................................41.2调节机制：从静态到动态的豹变.........................................................52模型核心：A股的状态识别和动态调制机制设计................................................72.1市场状态识别：从主观印象到HMM精准归类...............................................72.2宏观状态：以“PMI+信贷脉冲”校准.....................................................92.3微观高频调制：资金行为与投资者情绪的潮涨潮落.........................................102.4凯利仓位：从选择题到填空题的最优仓位控制............................................123回测验证：2024年以来策略表现与超额收益来源.............................................133.1超额收益拆解：HMM原始模型vs优化模型..............................................133.2调制机制：如何干预状态判断和获得超额收益？..........................................153.3凯利仓位：如何实现“下跌不跟，上涨满仓”............................................164风险提示................................................................................18 图表目录 图表1：隐马尔科夫链示意图.............................................................5图表2：动态调节机制及模型完整择时流程示意图...........................................6图表3：模型中的A股状态分类方法.......................................................7图表4：模型识别后观测状态与隐藏状态的对应关系.........................................7图表5：4中隐藏状态的收益率及波动率特征................................................8图表6：4种隐藏状态的10日累计收益率分布...............................................8图表7：隐藏状态出现次数及平均持续时间（天）...........................................9图表8：HMM的4状态转移矩阵...........................................................9图表9：2016至今宏观状态出现次数及对应万得全A表现.....................................9图表10：宏观扩张及收缩状态下的调制矩阵...............................................10图表11：2016至今资金情绪状态出现次数及对应万得全A表现...............................11图表12：非中性资金情绪状态下的调制矩阵...............................................11图表13：基于2024年以来的A股市场回测................................................13图表14：测试区间中各策略及万得全A指数的日收益率分布（次）............................14图表15：测试区间中各策略及万得全A指数进阶指标.......................................15图表16：宏观及资金情绪调制机制对输出隐藏状态干预情况.................................16图表17：HMM_Opt_Kelly策略在测试集中的仓位（%）与万得全A走势.........................17 自2024年9.24行情以来，A股处在“多变量撕裂”的状态，经济基本面、资金活跃程度、政策预期、国际贸易冲突等因素相互交织，对A股策略择时提出了新的要求。面临基于宏观周期的主观择时疲于奔命而量化模型黑箱难懂的痛点， 在此提出一种基于隐马尔可夫链（HMM）的择时方法，将抽象的“市场环境”拆解为可感知的“宏观-资金-市场”三维状态，不仅能够精准择时，也能够让投资者更好地理解市场脉动。 1核心框架：化时序预测为状态选择题 1.1基础假设：未来仅与现在相关 由于本文中的模型核心在于解隐马尔科夫链产生的市场状态分类，因此需要先帮助读者们回忆一些随机过程课程中的知识点。首先是关于马尔可夫性的概念，对于一个随机过程{𝑋𝑡,t∈T}（T为时间集合，𝑋𝑡为t时刻的状态），若对任意时间点𝑡1<𝑡2<...<𝑡𝑛<t，都满足： 𝑃(𝑋𝑡=𝑥∣𝑋𝑡𝑛=𝑥𝑛,𝑋𝑡𝑛−1=𝑥𝑛−1,...,𝑋𝑡1=𝑥1)=𝑃(𝑋𝑡=𝑥∣𝑋𝑡𝑛=𝑥𝑛) 则称这个过程具有马尔可夫性，即“未来只与现在有关，与过去无关”。在此带领读者们复习马尔可夫性的原因在于本文中的模型择时是通过对牛熊状态转移估计实现的，即明天A股是涨是跌只和今天的状态相关，而和过往趋势无关。于是A股择时问题在相当程度上从一个困难的时序估计填空题转换成了一个选择牛熊状态的选择题，在相当程度上降低了择时估计的复杂程度。 更具体到本文中所使用的隐马尔科夫链，如图1所示，其假设存在一个不可直接观测的“隐藏状态链”，并存在一个由隐藏状态驱动的可观测序列。以A股为例，可以理解为A股存在一个牛熊状态链，牛熊状态无法直接观测，但其会驱动股价、波动率、振幅等指标发生变化。 资料来源：中邮证券研究所 显然在一个HMM中，我们最为关心的是状态层的转移概率，在一个熊市状态后有多大的概率迎来一个牛市状态？如果下个交易日大概率是牛市状态，那么在仓位选择上显然可以更激进一些。 1.2调节机制：从静态到动态的豹变 在前一节中已经给大家复习了一下随机课程知识，或许已经有读者在此时意识到了HMM在运用到A股择时上的致命弱点：隐马尔科夫链是一个静态模型，其仅能代表训练样本中的状态转移规律，对于A股这样瞬息万变的市场极有可能失效。为了给HMM增加动态调节机制，如图2所示，在此引入两个基于宏观经济数据和资金情绪的调节矩阵，可以基于宏观环境和市场动态对HMM的输出结果进行动态调节。 资料来源：中邮证券研究所 通过基于宏观经济数据和资金情绪状态的两个调制矩阵，可以在宏观经济走强、市场情绪亢奋和资金持续流入等状态时动态调高状态转移矩阵向牛市状态转移的概率，反之亦然。 通过调制矩阵这样外置状态层的方法，还可以避免HMM输入状态过多导致的性能下降。在本文所采用的模型中，输入HMM的市场观测状态数量为6，HMM识别出的隐藏状态数量为4。所采用的宏观和资金情绪矩阵分别有3个和4个状态，若将状态层内置，输入状态将达6*3*4=72个，远超HMM进行状态识别的能力区间。因此通过调制矩阵的方法，既解决了HMM无法动态调整的弊端，又规避了状态数量爆炸的缺陷。 2模型核心：A股的状态识别和动态调制机制设计 2.1市场状态识别：从主观印象到HMM精准归类 HMM择时模型训练的第一步就是对A股市场状态进行识别，产生模型训练所需的观测层状态，观测层状态的数据质量将直接影响隐藏层状态的识别结果。在此所采用的方法是基于“趋势+波动”对A股市场状态进行刻画。如图表3所示，以10日涨跌幅代表趋势和10日ATR变化率代表波动，基于90天滚动窗口动态阈值，可将A股分为以下6种市场状态。 经过HMM识别后，A股市场共有4个隐藏状态，即我们假设的6种市场状态发生了合并。如图表4所示，为4种隐藏状态和6种观测状态的对应关系。以隐藏状态0为例，其34.7%的概率为“宽幅震荡”，65.1%的概率为“窄幅震荡”，0.1%的概率为“趋势上涨”。根据隐藏状态和观测状态的对应关系，可以直观理解每个隐藏状态下A股市场的趋势和波动特点。 如图表5所示，为4种隐藏状态的胜率、平均收益率、波动率和最大/小收益率。根据4种隐藏状态和6种观测状态的对应关系及隐藏状态自身的收益率统计情况，可将隐藏状态视为“震荡上涨”、“趋势下跌”、“趋势上涨”和震荡下跌。 如图6所示为2016年至今每日隐藏状态对应的10日收益率，进一步展示了HMM分类下不同隐藏状态