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
2026-07-09 · 申捷策略
投资要点 基于系列首篇报告《市场脉搏（1）》的基础，本报告（2.0 版本）对择时框架进行了系统性迭代升级。 模型迭代：从离散到连续。系本篇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。特征维度不再受限，可将25 维以上连续量价特征直接馈入模型；并且状态推断
投资要点 基于系列首篇报告《市场脉搏（1）》的基础，本报告（2.0 版本）对择时框架进行了系统性迭代升级。模型迭代：从离散到连续。系本篇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。
特征维度不再受限，可将25 维以上连续量价特征直接馈入模型；并且状态推断输出后验概率分布，软边界表征更贴近风格切换的渐进本质。特征工程：LSTM 自编码器。与常规用法不同，本报告中的LSTM不以预测未来收益率为优化目标，而采用自编码器架构，以最小化输入序列的重建误差为训练目标。
编码器将90 个交易日×25 维的原始特征压缩为10 维，解码器将其重建还原。训练集与验证集的重建损失同步收敛，且编码器输出的特征分布在训练集与测试集上保持高度一致，为GHMM 的样本外推断提供了分布稳定的观测输入。状态识别：过渡态与稳态。
GHMM 在无监督条件下自发生成5 个隐藏状态，其中1 个为低自维持概率的过渡状态，其余4 个为高自维持概率的稳态。这一结构表明，市场大部分时间运行于稳定状态中，状态切换通常经由过渡状态完成，而非不同稳态间的直接跳跃。从价格形态看，各状态与特定量价结构存在稳定的对应关系，状态识别在训练集与测试集上表现出较好的一致性。
回测表现与模型边界。2021 年以来多指数回测结果显示，该框架在大多数市场环境下能够有效控制回撤并积累超额收益，但对2021年（历史极低振幅下的高速轮动）与2026 年（K 型极端分化）的结构性行情适应性偏弱。进一步归因发现，超额损失在万得全A 指数上高度集中于某一特定状态，说明问题不在状态识别层面，而在仓位执行层面——基于历史频度统计的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。
据此引入了一个针对的轻量级干预规则，在不改变底层识别逻辑的前提下改善该状态下的适应性。本模型的核心价值在于提供一套客观的、可重复验证的市场状态参照系，服务于主观择时决策的校准与风控环节。回测表明，该框架在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；同时，超额损失被精准锁定于特定状态，说明模型在识别端已趋于稳定，问题集中于执行端的策略适配。