最近BigQuantAI社群上有幾篇關於隱馬爾可夫模型（HMM）的研究報告。在此基礎上，本報告針對滬深300指數，採用滾動學習方式構建HMM模型，獲得收益預測情況，從而生成交易訊號。回測結果表明，該模型對於大盤系統性風險預判能力較強，年化收益為16.5%，夏普比0.75。
關於HMM的模型介紹，可以參考以下兩篇帖子，這裡不再重述。
本報告直接針對指數進行擇時效果分析，回測引數：
- 回測時段：2013.04~2018.06；
- 投資標的：HS300指數；
- 交易費用：雙邊萬三（參考ETF交易手續費）；
- 持倉時間：10天。每10天進行一次擇時；
- 滾動設定：從資料起始日到交易訊號前1日，均作為樣本資料。
具體模型構建過程：
1. 因子獲取
獲得5日收益率、10日收益率、10日內最高價比最低價、10日內平均成交量比5日內平均成交量。
為滿足高斯分佈，對10日內最高價比最低價因子進行了box-cox變換；
2.HMM模型訓練
針對訓練時段的資料，訓練得到HMM模型，隱含狀態數量設為6。各個因子間存在相關性，故協方差矩陣型別設為“full”。
由於HMM中用到的EM演算法是梯度下降，可能會收斂到區域性最優點，因此這裡fit多次，並選取score最高的一個模型。(參考“Training HMM parameters and inferring the hidden states”)
3.收益預測
對當前交易日的隱含狀態進行估計；
根據模型的狀態轉移矩陣，預測下一時段的狀態的可能；
根據觀測矩陣，計算下一時段的收益期望。
4.回測
根據下一時段的收益預測值，生成交易訊號，若收益期望大於0.0006，則開倉或繼續持倉；否則空倉。
回測結果：
- 總收益 119.4%
- 年化收益 16.5%
- 最大回撤 21.8%
- 夏普比率 0.75
- 交易次數 15
- 勝率 66.7%
附錄
原始碼地址：《HMM滾動訓練擇時研究》
本文由BigQuant人工智慧量化投資平臺原創推出，版權歸BigQuant所有，轉載請註明出處。