20260709-中邮证券-市场脉搏（2）_基于LSTM-GHMM混合方案的量化择时与动态仓位管理_26页_1mb

策略总结：基于 LSTM-GHMM 的量化择时与动态仓位管理

核心内容

本报告提出了一个基于 LSTM-GHMM（长短期记忆网络与高斯隐马尔可夫模型）混合方案的量化择时与动态仓位管理框架。该模型在 1.0 版本的基础上进行了系统性升级，旨在提升对市场状态识别的准确性与适应性，特别是在高噪音市场环境下的表现。

主要观点

• 模型迭代：从离散 HMM 升级为 GHMM，使模型能够处理连续多维特征，避免了离散化带来的信息损失与状态边界生硬的问题。
• 特征工程：引入 LSTM 自编码器，实现对原始量价数据的自动编码与降维，提升特征提取的深度与广度。
• 状态识别：GHMM 通过后验概率分布识别市场状态，支持软边界切换，更贴合金融市场的渐进性特征。
• 回测表现：模型在 8 个主要指数上均能实现正超额收益，但在 2021 年与 2026 年等结构性行情中表现欠佳。
• 仓位优化：针对特定状态（如状态 2）引入干预规则，优化凯利公式在“假摔反包”行情中的响应能力。

关键信息

模型架构

• 数据层：原始市场数据（包括价格、成交量、波动率等）。
• 特征工程层：构建 25+ 维连续特征集，涵盖动量、波动率、价格位置、市场结构、极端分位数、趋势-波动软概率。
• LSTM 编码层：将 90 天 × 25 维数据压缩为 10 维特征向量，实现时序特征提取。
• GHMM 状态层：基于高斯分布进行状态划分，识别出 5 个状态，其中 4 个为稳态，1 个为过渡态。
• 仓位决策层：结合凯利公式进行仓位管理，引入干预规则优化特定状态下的策略表现。

状态识别与推断

• GHMM 识别出 5 个状态，其中状态 0 为过渡态，状态 1-4 为稳态。
• 状态转移矩阵显示各状态具有较强的自维持倾向，状态 0 的转移概率较高，表明其在市场风格切换过程中起重要作用。
• 各状态与特定的量价结构存在稳定对应关系，状态识别在训练集和测试集上表现一致。

回测表现

• 2021 年以来的回测结果显示，LSTM-GHMM 在大多数市场环境下能够有效控制回撤并积累超额收益。
• 但在 2021 年（低振幅、高速轮动）与 2026 年（K 型极端分化）的结构性行情中表现较弱。
• 超额损失集中在某些特定状态（如状态 2），表明问题出在仓位执行策略，而非状态识别。

仓位优化思路

• 引入“假摔反包”信号干预规则，覆盖凯利公式在趋势波动状态下的保守倾向。
• 底部修复补丁策略在多数指数中提升了回测表现，但对科创综指等特定市场表现有限。
• 优化方向是为每个状态设计独立的仓位控制策略，而非统一使用凯利公式。

模型优势与局限

优势

• 特征维度解放：支持 25+ 维连续特征输入，无需离散化。
• 软边界识别：通过概率分布识别状态，更贴近市场风格切换的渐进本质。
• 稳定性与泛用性：在多个指数上表现稳定，具备较好的市场适应性。
• 可解释性：状态标签与价格形态之间存在良好的视觉一致性，便于策略校准与风控。

局限

• 结构性行情适应性不足：在 2021 年与 2026 年等特殊市场环境下表现不佳。
• 仓位控制的保守性：凯利公式在趋势波动状态中表现出“均值回归”的保守倾向，影响超额收益。
• 依赖特定信号干预：需额外引入信号干预规则，以弥补模型在某些状态下的不足。

风险提示

• 市场学习效益：模型可能无法适应未见过的市场环境。
• 统计误差：回测结果可能受样本偏差与市场波动影响。

总结

本报告提出的 LSTM-GHMM 混合模型，通过深度特征提取与概率状态识别，实现了对市场状态的更精确与平滑判断。模型在多数市场环境下表现良好，但在结构性行情中需依赖额外的干预策略。其核心价值在于提供一个客观、可重复的市场状态参照系，为择时决策与仓位管理提供支持。未来优化方向在于对每个状态设计独立的仓位控制策略，以提升模型在不同市场环境下的适应性与收益表现。