市场脉搏（2）：基于LSTM_HMM混合方案的量化择时与动态仓位管理.pdf

本报告是对系列首篇报告《市场脉搏（1）》的迭代升级，提出了一种基于LSTM-GHMM混合方案的量化择时与动态仓位管理框架。报告首先回顾了1.0版本纯HMM模型的局限性，指出其主观分类带来的状态硬边界切换问题以及特征维度受限的痛点。为此，2.0版本将底层模型升级为高斯隐马尔可夫模型（GHMM），观测变量由离散符号扩展为连续多维向量，发射概率由高斯分布刻画，从而解放了特征维度，允许将25维以上的连续量价特征直接馈入模型。

在特征工程方面，报告引入了LSTM自编码器架构。与传统预测未来收益率的用法不同，该LSTM以最小化输入序列的重建误差为训练目标，将90个交易日×25维的原始特征压缩为10维，为GHMM提供了分布稳定的观测输入。GHMM在无监督条件下自发生成5个隐藏状态，包括1个低自维持概率的过渡状态和4个高自维持概率的稳态，揭示了市场状态切换的渐进本质。

回测结果显示，该框架在2021年以来的8个主要指数上均能实现相对买入持有的正超额收益，具备较好的指数泛用性。然而，模型对2021年和2026年的极端结构性行情适应性偏弱。归因分析表明，超额损失集中于特定状态，原因是凯利公式在该状态下存在“均值回归”的保守倾向，对“假摔反包”类行情响应不足。为此，报告提出了针对特定状态的轻量级干预规则，如在识别到底部快速修复形态时强制介入仓位管理，从而在不改变底层识别逻辑的前提下改善适应性，为量化择时策略的精细化改进提供了实证支持。