【HMM研究实例】运用HMM模型的择时策略

下面拿A股市场来做检验。

模型的设定如下：

1. 隐藏状态数目：6
2. 输入变量：当日对数收益率，五日对数收益率，当日对数高低价差（其他备选因素成交量、成交额等大家可以自行尝试）
3. 混合高斯分布成分数目：1（为了简便，假定对数收益率服从单一高斯分布）

HMM模型的算法使用hmmlearn模块。简单介绍一下函数的各个参数意思。

以上。我们看到了六个状态的HMM模型输出的市场状态序列。需要注意的是：HMM模型只是能分离出不同的状态，具体对每个状态赋予现实的市场意义，是需要人为来辨别和观察的。

下面我们来用简单的timming策略来识别6种latent_state所带来的效果。

上图可以看出：

1. 状态0——蓝色——牛市上涨
2. 状态1——绿色——牛市下跌
3. 状态2——红色——牛市下跌
4. 状态3——紫色——小幅的上涨
5. 状态4——黄色——震荡下跌
6. 状态5——浅蓝色——震荡下跌

以上的意义归结是存在一定主观性的。因为HMM模型对输入的多维度观测变量进行处理后，只负责分出几个类别，而并不会定义出每种类别的实际含义。所以我们从图形中做出上述的判断。

四、择时策略

我们根据模拟出来的隐藏状态，来进行择时。

1. 理论版：股指期货可卖空。

策略是这样设计的：

1. 当天处在状态0，3时，买入指数基金；
2. 当天处在状态1，2，4，5时，卖空股指期货；

我们来看一下收益效果：

2. A股版

鉴于卖空指数对散户来说没什么可操作性，我们单看能做多的A股市场。选择嘉实沪深300基金来复制沪深300指数。

策略是这样设计的：

1. 当天处在状态0，3时，买入指数基金；
2. 当天处在状态1，2，4，5时，空仓；

鉴于研究模块自己搭伪回测算出来的收益曲线很难考虑到滑点、交易规则限制等各方面的要求，所以如下的策略回测只贴上最后的图。代码具体见策略。

我采取的方式是把研究模块得出的状态序列导出，导入到回测模块使用。

回测结果截图贴在这。回撤和收益都看起来很漂亮。虽然我也没太懂为什么跟可卖空的结果差不多= =，可能是单纯算收益率的伪回测不太准吧。第二是状态1（绿色）有涨有跌，卖空它也有亏钱的时候。