阅读陈小米大神“运用HMM模型的择时策略”的帖子，觉得非常厉害，于是自己也试了试。 原帖：[https://www.joinquant.com/post/1054?tag=new][1] 一、研究过程：方法参考陈大神的帖子 1、研究对象。考虑到之后以沪深300期货作为回测对象，因此以沪深300指数为研究对象，采用python中的hmmlearn.hmm模块中的GaussianHMM模型进行拟合，拟合样本范围为2005-2014，测试样本为2015-2017。 2、观测变量选取。选取日对数收益率、5日对数收益率、日极差对数收益率（最高减最低后取对数）作为观测变量。三个观测变量经偏度、峰度及正态性检验，符合高斯分布。 3、拟合。隐含状态数取13，进行GaussianHMM模型拟合.。 4、分析。画出沪深300指数2005-2014年每日股价所处的状态；画出每个状态在10年间的累计收益图。由图分析出状态4、9、10为上涨状态、状态0、2、8为下跌状态。 5、简单回测。在拟合样本及测试样本中，分别将每个上涨状态的下一天的累计收益率，减去下跌状态下一天的累计收益率，得到拟合范围及测试范围的隐马尔科夫择时模型的累计收益率图。 6、初步结论：2005-2014年，该策略多空累计收益约55倍，且少有回撤。2015-2017的测试样本，该策略累计收益约1.7倍，收益率曲线前半段上升较为平稳，16年7月之后收益有所回撤。 二、回测 1、回测思路： （1）选取沪深300股指期货10年至17年作为回测对象，调仓周期为每天，时间为开盘，为尽可能模拟沪深300指数收益，设佣金为0，保证金比率为100%。每天开盘，将截止昨日收盘前90天的日对数收益率、5日对数收益率、日极差对数收益率输入第一步中拟合出的HMM模型对昨日进行隐含状态预测。昨日预测为上涨状态即做多、下跌状态即做空。其结果与原先大相近庭，收益为负数。 （2）不在每天进行模型预测，而将“一、研究过程”中产生的信号直接输入进行回测，15-17年收益为38.75%，最大回撤为12.87%，表现大幅度提高。 2、反思：经过反复试验，发现隐马尔科夫模型具有前视性，原先使用完整收益序列预测每一天的状态时会使用到未来数据，其预测结果为最大后验概率的状态。而真实回测时预测最后一天的状态，状态预测会根据未来数据变化而变化、不稳定。 三、稳定HMM信号模型 为提高HMM的稳定性，构造稳定HMM信号模型。利用观测变量正态分布的特征，计算前750天观测变量的均值与标准差，对当日及之后共5天的观测值进行模拟。将这未来5天的模拟数据与过去750天的观测变量连同一起产生1000个样本，输入HMM模型进行预测，产生1000个当天状态的预测值。若某状态预测频率高于80%，则认为其为稳定信号。根据稳定信号进行回测，11-14年收益率为32.49%，最大回撤16.32%；15-17年收益率为12.49%，最大回撤为16.13%。可见稳定HMM信号模型稍稍改善了模型预测能力，但收益和原HMM模型不可同日而语。 四、HMM状态动量反转策略 1、思路：改变一下使用HMM模型的思路。根据前面的研究，HMM模型虽然在预测上不稳定，但其对历史数据具有极强形态识别能力。考虑根据HMM识别出的牛熊特征，进行择时。 2、回测实现：仍以沪深300指数期货为标的，佣金为0、保证金比率为100%。每个交易日，利用HMM模型获取过去60天的牛熊状态，分类为牛、熊与震荡，状态值分别为1，-1和0。选取过去10天为短周期、60天为长周期，将短周期和长周期每日状态值进行累加，得到牛熊指标。当短期牛熊指标大于6（短期动量）或者长期牛熊指标小于-25且短期牛熊指标大于0（长期反转），则做多；做空策略相对称。该策略在10年6月至16年12月，累计收益率为81.77%，最大回撤为20.18%。 3、结论：该策略有一定的收益潜力，能够识别大趋势，在大涨大跌中获取趋势收益，但在震荡市中表现尚一般。另外，该模型收益受参数影响大，有过拟合的风险。 **才疏学浅，对hmm研究不深，最后没研究出啥牛逼成果。在这里抛砖迎玉，欢迎大家批评指正，提供新思路哈。** pickle文件：[https://pan.baidu.com/s/1dFIMjTZ][1] [1]: https://pan.baidu.com/s/1dFIMjTZ