使用隐马尔可夫模型(HMM)识别市场结构:第三部分 量化炼金 发布于 2026-01-11 收录于 量化研究HMM 系列第三步:模型复杂度抉择。用贝叶斯信息准则(BIC)在不同隐状态数下拟合模型,确定最优隐状态数量(5 个),为后续状态特性分析与市场结构预测定型。
使用隐马尔可夫模型(HMM)识别市场结构:第四部分 量化炼金 发布于 2026-01-11 收录于 量化研究HMM 系列第四步:状态语义化与样本外预测。以 5 个隐状态训练最终模型,依据特征均值给各状态赋予牛市趋势、宽幅震荡等市场结构标签,并在多个 WFO 测试集上完成初步样本外预测验证。
使用隐马尔可夫模型(HMM)识别市场结构:第一部分 量化炼金 发布于 2026-01-11 收录于 量化研究HMM 系列第一步:特征选择与数据管道构建。选取对数收益率、上涨概率、ATR 比率、费舍尔转换、偏离度五类特征,用 Zorro 计算并按 WFO 导出多轮训练集 CSV,为 Python 端 HMM 训练做准备。
基于MVRV标准分数的比特币趋势策略,胜率接近五成 量化炼金 发布于 2026-01-07 收录于 量化研究基于 STH MVRV 标准分数构建的比特币趋势跟随策略:对数转换解决指标不对称性,配合盈亏平衡机制将夏普比率提升至 1.00、胜率提高到 49%,并通过 WFA 稳健性检验。
基于低通滤波的动态头寸研究 量化炼金 发布于 2026-01-07 收录于 量化研究基于低通滤波器反转策略探索动态头寸管理:利用模糊逻辑将市场趋势强度分级并按概率阈值调整仓位。回测发现分段进场使夏普比率下降,关键在于加密市场多空不对称性,需为多空设计分离的仓位规则。