用隐马尔可夫模型看清市场周期:挖掘长期投资中的alpha机会
在市场中，有一个长期令人困惑的问题：价格只是结果，价格波动的背后又是什么呢？
价格是结果，不是原因。真正驱动市场的，是无法被敏锐观测到的“状态”。隐马尔可夫模型（Hidden Markov Model）的价值就在于可以用可观测的价格去还原不可观测的市场状态，帮助我们去避开那些主观无法识别的拐点。
隐马尔可夫模型（HMM）
HMM的核心逻辑是用可观测的数据去推断隐藏的状态。在市场中，观测变量有价格、波动率、成交量等，隐藏状态有牛市、熊市、震荡、高波动、低波动。市场是由这些状态构成的，这些状态会发生切换，在不同的状态中可以观测的数据各不相同。市场并非完全随机的，在大周期中似乎是有迹可循的“状态驱动的随机过程”。
在投资中，我们可以主观的用经验和直觉去判断市场状态，但是很容易受到情绪影响，很容易对事件过度反应或者是低估事件的长期影响力，这样的误判会让我们作出错误的操作。HMM是基于数据的，可以提前识别状态切换的概率，很适合辅助我们做决策。
HMM的实战应用
以HMM给出的信号作为买卖点，会取得可观的超额收益。特别是2008年、2020年这样急速下跌的行情，HMM表现非常好，迅速的识别出了拐点，这个时候按照策略空仓等待会避免很多损失。
HMM最基础的应用是判断市场状态，在牛市的时候可以适当提高仓位放大杠杆，在震荡时使用中性策略，在熊市控制风险空仓等待。有了HMM的帮助，让杠杆更加“可控”。HMM的最大回撤只有8.1%，如果对标市场回撤55.2%的表现，我们还有空间去进行杠杆操作让收益最大化。
加上杠杆后，Annual Return提升到20%以上，明显的跑赢大盘，同时最大回撤提高到了17%，但对标市场的55.2%回撤，HMM回撤也在承受范围内。
HMM的效果很大程度取决于参数设置，滚动窗口（Rolling Window）决定了模型学习多长时间的数据来判断当前的市场。短窗口（60-120天）对市场变化更敏感，频繁切换状态容易磨损会变大。中等窗口（120-300天）坚固稳定和响应速度。长窗口（500天）状态稳定，但滞后严重，不能对突发事件及时反应。隐状态数量（n—components）是最关键的，最常用的是3状态。在实战中也可以添加一些平时常用的指标作为约束，例如只有在MA60以上+HMM信号才判断是牛市。
HMM的局限性-严苛的执行条件
HMM有明显的局限性。HMM是对历史数据的依赖较强，用历史的模式推测未来，当市场结构性变化，模型可能会失效。HMM对标的的要求很高。模型本质是识别状态切换，状态切换往往发生在拐点附近，伴随剧烈波动，实际成交价格不等于信号价格，本来可以只10%的回撤，结果承担了15%的亏损。HMM很多情况是当日识别，当日调整仓位，如果是T+1，很有可能躲不开“黑天鹅”。隐马尔可夫模型最大的风险不在于预测错误，而在于执行条件的破坏。所以最好要选择流动性好，交易时间长的标的。
非理想执行条件（加上了磨损和滞后卖出）中的HMM的Annual Return下滑。
结语
在一个充满不确定性的市场中，单一指标正在失效，静态策略难以长期生存。未来的Alpha，更可能来自对市场状态的识别能力。而HMM，正是一个重要的起点。
评论