20180905-广发证券-再探西蒙斯投资之道_基于隐马尔科夫模型的选股策略研究_24页_2mb

报告摘要

再探西蒙斯投资之道：基于隐马尔科夫模型的选股策略研究总结

核心内容

本报告探讨了基于隐马尔科夫模型（HMM）的选股策略，结合詹姆斯·西蒙斯的传奇基金大奖章基金（Medallion Fund）的高收益表现，尝试将HMM模型应用于股票涨跌预测。该策略利用价量指标构建观测序列，并通过HMM模型识别股票未来涨跌的模式，最终实现超额收益。

主要观点

HMM模型的应用背景：西蒙斯的基金表现优异，其团队包含大量HMM和语音识别专家，HMM被认为是其成功的关键技术之一。
模型原理：HMM能够捕捉时间序列的动态变化，适用于描述股价涨跌的非线性模式，相较于传统统计模型（如线性回归、SVM）具有更强的时序建模能力。
模型输入特征：选取6个价量指标作为观测值，包括换手率、1日涨跌幅、开盘价、收盘价、最高价、最低价、流通市值等。
模型训练与预测：通过滚动训练HMM模型，分别构建上涨（UP）和下跌（DOWN）模型，利用维特比算法求解最优状态序列，预测个股涨跌。
策略设计：将股票池按HMM因子值均分为10档，超配最高一档股票，采用多空对冲和行业中性优化策略，以提高策略的稳定性与收益。
实证结果：策略在2007年2月1日至2018年8月15日的回测期内，年化超额收益率达16.19%，最大回撤为-9.69%，信息比为2.14，表现优于基准。
风险提示：模型基于历史数据训练，市场结构变化可能影响策略有效性。

关键信息

模型结构与参数

隐藏状态数 $N = 3$
观测序列长度 $Q = 10$
高斯混合模型的分模型数 $M = 2$
调仓周期 $L = 5$ 个交易日

特征处理

标准化方法：采用z-score标准化，消除不同因子间量纲差异。
缺失值处理：用上一期值替代缺失值。
异常值处理：设定上下边界（均值±3倍标准差）进行截断。

策略表现

多空对冲策略：年化收益率48.68%，最大回撤-15.74%，信息比2.88，胜率66.96%。
非行业中性策略：年化超额收益率14.82%，最大回撤-19.94%，信息比1.78。
行业中性策略：年化超额收益率16.19%，最大回撤-9.69%，信息比2.14，胜率63.39%。

回测区间

回测时间：2007年2月1日 - 2018年8月15日
期间表现：策略整体表现良好，尤其在市场波动较大时（如2000年科技股灾、2008年金融危机）表现更优。

图表索引

图1：大奖章基金历年净回报率
图2：高斯混合模型示意图
图3：经典HMM语音识别训练过程示意图
图4：经典HMM语音识别过程示意图
图5：HMM股票涨跌预测模型训练过程示意图
图6：HMM股票涨跌预测模型预测过程示意图
图7：HMM股票涨跌预测模型的状态转移示意图
图8：HMM股票涨跌预测模型的观测概率分布图
图9：HMM模型训练方式示意图
图10：HMM因子的IC序列图
图11：HMM因子的分档表现
图12：HMM因子分档累积收益率
图13：基于HMM模型的多空组合净值曲线
图14：基于HMM模型的选股策略净值曲线（中证500指数对冲）
图15：行业中性的选股策略净值曲线（中证500指数对冲）

分析师信息

罗军：S0260511010004，020-87579006，lj33@gf.com.cn
安宁宁：S0260512020003，0755-23948352，ann@gf.com.cn
史庆盛：S0260513070004，02087577060，sqs@gf.com.cn

联系人信息

童炯潇：020-87572092，tongjiongxiao@gf.com.cn

风险提示

本策略基于历史数据训练，不能保证在未来的市场环境中完全有效。
市场结构、交易行为的改变可能导致策略失效。

投资评级说明

行业投资评级

买入：预期未来12个月内，股价表现强于大盘10%以上。
持有：预期未来12个月内，股价相对大盘变动介于-10%~+10%。
卖出：预期未来12个月内，股价表现弱于大盘10%以上。

公司投资评级

买入：预期未来12个月内，股价表现强于大盘15%以上。
谨慎增持：预期未来12个月内，股价表现强于大盘5%~15%。
持有：预期未来12个月内，股价相对大盘变动介于-5%~+5%。
卖出：预期未来12个月内，股价表现弱于大盘5%以上。

总结

本报告通过引入隐马尔科夫模型，将语音识别技术应用于股票涨跌预测，提出了基于HMM因子的选股策略。实证表明，该策略在中证500指数成分股中表现优异，尤其在市场波动时期具有更强的抗风险能力。行业中性优化进一步提升了策略的稳定性和收益，使其在回测期间获得显著超额收益。尽管该模型在历史数据上表现良好，但市场变化可能导致其失效，需持续关注与调整。

展开完整摘要