2025年基于隐马尔科夫链与动态调制的量化择时方案

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{?? ,t∈T}（T 为时间集合，??为 t 时刻的状态），若对任意时间 点?1 < ?2 <. . . < ?? < t，都满足：

?(?? = ? ∣ ??? = ??,???−1 = ??−1, . . . ,??1 = ?1) = ?(?? = ? ∣ ??? = ??)

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。

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。

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。

2.2 宏观状态：以“PMI+信贷脉冲”校准

宏观调制方面选择以 PMI 和信贷脉冲两个和宏观经济脉冲紧密相关的月度 快变量为基础，按以下方式划分为扩张、收缩和中性 3 种状态： 扩张：PMI≥50.5 且信贷脉冲 > 0（经济景气 + 信用扩张）； 收缩：PMI<49 且信贷脉冲 < 0（经济收缩 + 信用收缩）； 中性：其他情况（过渡期或弱复苏 / 弱收缩）。

2.3 微观高频调制：资金行为与投资者情绪的潮涨潮落

情绪资金调制矩阵由市场恐慌指数（VIX）、融资盘流向、散户情绪指数和 ETF 净流向为基础进行设计，按以下方式划分为情绪躁动、长线资金流入、情绪 恐慌和中性 4 种状态： 情绪躁动： ①ETF 净流向超过高阈值，且散户情绪均值超过高阈值； ②融资盘流向超过高阈值，且散户情绪均值超过中阈值； ③市场恐慌指数超过高阈值，且散户情绪均值超过高阈值。 长线资金流入： ①ETF 净流向超过高阈值，且市场恐慌指数低于低阈值； ②ETF 净流向在 40% 阈值到 60% 阈值之间，且融资盘流向的绝对值小于 0.03。 情绪恐慌：①融资盘流向低于低阈值，且市场恐慌指数超过高阈值，且散户情绪均值低 于中阈值； ②市场恐慌指数超过高阈值，且散户情绪均值低于低阈值。 其余情况为中性。

2.4 凯利仓位：从选择题到填空题的最优仓位控制

在 HMM 给出对于未来的市场状态预测后，如何决定仓位就成了下一个需要解 答的问题。最简单的方法显然是固定仓位，如 HMM 认为后市将“趋势上涨”时满 仓，“趋势下跌”时空仓，“趋势上涨”时 75%仓位，“趋势下跌”时 25%仓位。 但采用固定仓位的做法显然过于死板，无法对市场变化做出动态调节。此时采用 凯利公式进行动态仓位调节是一个更灵活也更合理的选择。

3 回测验证：2024 年以来策略表现与超额收益来源

3.1 超额收益拆解：HMM 原始模型 vs 优化模型

在以 2016-2023 年的 A 股数据为训练集进行训练后，对 2024 年以来的 A 股 市场进行回测，经过调制矩阵优化的 HMM 和在 调制矩阵优化基础上进行凯利仓位优化的 HMM 的累积回测收益率。在回测区间 中，三种策略均较万得全 A 指数获得了相对超额收益，并且调制矩阵和凯利仓位 均较前置策略获得了相对收益，说明了优化路线的有效性。就三种策略而言，凯 利仓位策略对下跌的控制更好，并且能够及时跟上市场上涨，是其择时α的来源。

3.2 调制机制：如何干预状态判断和获得超额收益？

为测试集中宏观及资金情绪调制机制对输出隐藏状态进行 干预的记录。进行宏观及资金情绪调制的核心在于宏观基本面影响微观的资金行 为和投资者情绪，故宏观基本面出现变化时市场行为也会出现变化，而资金行为 和投资者情绪与模型中观趋势判断出现显著背离时，往往预示着潜在的风险积聚 或风格切换。调制机制的作用便是在此类关键节点覆盖模型的原始输出，进行动 态的状态调整，以期先于市场进行反应。 在测试期内发生的 7 次主动干预中，5 次成功获得了调整带来的相对收益， 成功率高达 71.4%。尤其值得强调的是，该机制在 2024 年 9 月 2 日的干预中，成功预判并规避了市场-1.78%的单日深跌，单次贡献超过 1.2%的正向收益，充分 体现了其巨大的保护价值。 尽管在两次“情绪躁动”环境下的干预付出了少量的机会成本（平均-0.55%）， 但所有干预行为净贡献了超过 2.1%的绝对收益。这证明动态调制机制不仅守住 了下限，更积极地推动了净值上限的提升，其本质是一个期望收益为正的α策略。

3.3 凯利仓位：如何实现“下跌不跟，上涨满仓”

虽然 HMM 天然地解决了“什么时候开仓？”的问题，但若以固定档位进行开 仓难免缺乏一些严谨性，因此使用凯利公式来决定“如果开仓，下多少注才是最 优的？”。HMM_Opt_Kelly 的核心逻辑是通过动态评估交易赔率调整仓位，在风 险可控的前提下最大化预期收益。在测试集中，采用凯利仓位的优越性主要 体现在以下 3 个时间段： ① 2024 年中震荡市低赔率下主动降仓，规避震荡下行损失。在 2024 年的 震荡下行市中 HMM_Opt_Kelly 从未采取过满仓操作，并长期处于判断赔 率过低的强制空仓状态。震荡市中价格波动无序且反弹趋势性弱，凯利 公式计算的赔率低于阈值，因此 HMM_Opt_Kelly 策略主动减少开仓频率 与仓位，避免了在震荡下行过程中因频繁交易或持仓而产生的累积损失， 体现了 “不赚模糊钱” 的择时纪律。② 2025 年 4 月关税风波前提前感知市场赔率下行，规避系统性风险。在 特朗普宣布对全球加征“对等关税”前其实已有多方消息传出，市场出 现了一定的犹豫情绪。HMM_Opt_Kelly 策略根据市场反应捕捉到低赔率 特征选择零仓位观望，完美避开了关税风波引发的系统性下跌。相比于 传统依赖趋势判断的择时策略，Kelly 通过赔率量化提前锁定风险，在 宏观事件冲击前实现 “预防性避险”，体现了对潜在风险的前瞻性应对 能力。 ③ 6.23 行情后快速调整至满仓，在主升浪中最大化收益。尽管在上涨过程 中 HMM 模型长时间判断为“震荡上涨” 的隐藏状态，但 HMM_Opt_Kelly 策略通过赔率计算确认 “上行收益＞波动风险”，在确认高赔率后不再 受 “震荡市” 标签约束，通过快速加仓实现收益最大化，体现了足够 的择时灵活性，也规避了常规趋势择时模型“躲跌不跟涨”的弊端。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）