升级路线：从离散到连续特征
- 1.0版本使用HMM模型，基于“趋势+波动”二维离散划分进行择时，存在特征维度受限、状态边界切换生硬等问题。
- 2.0版本升级为LSTM-GHMM混合方案，核心优势在于：
- 特征维度解放：GHMM直接接受连续多维向量作为输入，可将25维以上连续量价特征直接馈入模型，解决1.0版本特征匮乏问题。
- 状态边界软性化：GHMM输出后验概率分布，软边界更贴近市场风格渐变本质，避免硬切换。
- LSTM自编码器：采用自编码器架构，以最小化输入序列重建误差为训练目标，学习时序特征压缩与还原，提升泛化能力，避免预测未来收益率的过拟合风险。
模型架构：从时序特征到概率空间
- 整体架构：数据层→特征工程层→LSTM编码层→GHMM状态层→仓位决策层。
- 特征工程升级：从2维扩展至25+维连续特征集，涵盖动量、波动率、价格位置、市场结构、极端分位数、趋势-波动6状态软概率六大类别。
- LSTM自编码器：
- 将90天×25维原始特征压缩为10维稠密向量，作为GHMM观测输入。
- 训练集与验证集重建损失同步收敛，特征分布在训练集与测试集上保持高度一致，为GHMM样本外推断提供分布稳定的观测输入。
回测验证：2021年以来多指数回测表现
- 状态识别：
- GHMM自主识别出5个隐藏状态，其中1个为低自维持的过渡状态，其余4个为高自维持的稳态，体现市场大部分时间运行于稳定状态。
- 状态与特定量价结构存在稳定对应关系，如状态1常见于下跌底部，状态4指向大幅双向波动，状态识别在训练集与测试集上表现一致。
- 多指数长期回测：
- 8个主要指数（除万得微盘）均实现相对买入持有的正超额收益，具备较好的指数泛用性。
- 万得微盘因底部反转趋势动量，长期回测相对买入持有存在较大差距，可通过满仓干预降低波动。
- 模型局限性：
- 对2021年（高速轮动）和2026年（K型极端分化）的结构性行情适应性偏弱，超额收益在特定状态下（如状态2）出现收敛。
- 问题根源在于HMM的“均值回归”倾向，对“假摔反包”类行情响应不足。
改进方向：基于状态特征的仓位优化
- 底部修复补丁：在指向横向震荡的状态中识别底部快速修复形态，强制介入仓位管理（50%+50%凯利），主要指数相对收益明显提升，但无法根本扭转超额收敛趋势。
- 进一步改良思路：针对每个状态开发更适配的择时策略，而非统一使用凯利公式，例如在趋势和反转特征的状态上做更多细化策略。
风险提示
