使用隐马尔可夫模型(HMM)识别市场结构:第一部分
为何需要HMM识别市场“隐藏”状态?
传统的量化策略往往基于单一的市场模式假设,在面对多变的行情(趋势、震荡、宽幅波动)时表现不佳。隐马尔可夫模型(HMM)提供了一个优雅的解决方案:它假设资产价格存在多种不可见的“隐藏”状态(如上涨、下跌、震荡),并能根据可观察的特征数据,输出当前市场处于每种状态的概率。
本系列研究旨在利用HMM的“诊断现在”能力,指导交易决策。这篇文章是整个工作流的第一步:特征选择与数据管道构建。我们将使用Zorro平台作为计算引擎,计算一系列经过精心挑选的预测特征,并将其导出到csv,为后续在Python中进行HMM模型训练做好准备。
研究流程
- Zorro计算特征:选择、计算特征指标,并导出到CSV文件。
- Python构建HMM:基于特征数据训练HMM模型,生成样本外(Out-of-Sample)的状态预测概率,并再次导出到csv。
- Zorro回测检验:将HMM的预测结果导入Zorro,进行最终的回溯检验,评估模型在真实交易环境中的有效性。
本文将重点聚焦于步骤1:特征选择的逻辑与Zorro的数据导出实现。
特征选择
HMM的核心在于,它通过观察一系列可观测特征的统计分布变化,来推断背后的隐藏市场状态。因此,选择具有区分度和稳定性的特征至关重要。
我们选择的特征必须能够清晰地描绘出市场在趋势方向、动能和波动性上的差异。下表详细解释了每个特征在HMM模型中的角色和价值。
| 特征名称 | HMM中的作用与区分度 |
|---|---|
| 对数收益率 (Log Return) | HMM的基石观测值。不同市场状态(隐状态)下,该特征的统计分布(如均值、方差)有显著差异。例如,上涨状态对应正均值,下跌状态对应负均值,震荡状态对应零均值。模型通过学习这些分布来定义和区分状态。 |
| 上涨概率 (Rising Probability) | 一个强大且经过平滑的趋势方向指标。它为HMM提供了区分“上涨状态”和“下跌状态”的清晰、低噪音信号。该特征值接近1时,极大概率对应上涨状态;接近0时,对应下跌状态;在0.5附近徘徊则可能对应震荡状态。 |
| ATR比率 (ATR Ratio) | 区分市场“性格”的核心特征,尤其能解决策略在“宽幅震荡”中失效的痛点。HMM可以学习到:低ATR比率对应“窄幅震荡/盘整”状态,而高ATR比率对应“宽幅震荡”状态。它是定义状态波动性特征的关键。 |
| 费舍尔转换 (Fisher Transform) | 捕捉价格行为的**“持续性”与“往复性”**。在趋势状态下,该指标倾向于长时间停留在上下轨,表现出行为的“持续性”。在震荡状态下,它会频繁地在上下轨之间摆动并穿越零轴,表现出行为的“往复性”。这个动态行为模式为HMM区分“趋势”和“震荡”提供了独特的视角。 |
| 价格偏离趋势线的百分比 (Deviation) | 衡量动能。当价格过度偏离趋势线时,通常意味着上涨/下跌动能开始达到顶峰。这个特征帮助HMM识别潜在的回调压力或趋势的延续性。 |
HMM的优势:无需平稳性检验 不同于许多时间序列模型,HMM并不要求输入特征是平稳的(Stationary)。这意味着我们可以直接使用原始特征,无需进行复杂的差分操作。HMM的强大之处在于,它能自主地从非平稳数据中识别出潜在的、具有统计一致性的“隐状态”。
💡 特征的分布稳定性
选择特征时必需考虑训练集和检验集的分布是否相似。如果特征的分布在不同的市场阶段发生显著变化(即非时间稳定),会导致模型性能严重恶化。
例如,如果某个波动性指标(如ATR)的取值范围在训练集是100-1000,但在测试集变为1000-5000,模型在训练集学到的模式在测试集将毫无用武之地,进而做出完全错误的决策。因此,我们优先考虑“标准化”或“归一化”后的指标,以确保其取值范围和分布在不同的时间段内保持相对相似。
Zorro 实现
我们使用Zorro来计算上述特征,并采用**滚动窗口优化(Walk Forward Optimization, WFO)**的方法,将数据划分为多轮训练集和测试集,以模拟真实的交易环境。
回测环境设置:
- 资产: BTCUSDT
- K线周期: 四小时图
- 样本: 2017年至2025年
- WFO: 10轮滚动训练,训练集比例为85%
| |
生成的多轮滚动数据集
执行上述Zorro脚本后,我们将根据WFO的设置,生成10轮独立的训练集CSV文件,以及一个包含所有样本外数据的测试集文件。
