最近BigQuantAI社区上有几篇关于隐马尔可夫模型（HMM）的研究报告。在此基础上，本报告针对沪深300指数，采用滚动学习方式构建HMM模型，获得收益预测情况，从而生成交易信号。回测结果表明，该模型对于大盘系统性风险预判能力较强，年化收益为16.5%，夏普比0.75。
关于HMM的模型介绍，可以参考以下两篇帖子，这里不再重述。
本报告直接针对指数进行择时效果分析，回测参数：
- 回测时段：2013.04~2018.06；
- 投资标的：HS300指数；
- 交易费用：双边万三（参考ETF交易手续费）；
- 持仓时间：10天。每10天进行一次择时；
- 滚动设置：从数据起始日到交易信号前1日，均作为样本数据。
具体模型构建过程：
1. 因子获取
获得5日收益率、10日收益率、10日内最高价比最低价、10日内平均成交量比5日内平均成交量。
为满足高斯分布，对10日内最高价比最低价因子进行了box-cox变换；
2.HMM模型训练
针对训练时段的数据，训练得到HMM模型，隐含状态数量设为6。各个因子间存在相关性，故协方差矩阵类型设为“full”。
由于HMM中用到的EM算法是梯度下降，可能会收敛到局部最优点，因此这里fit多次，并选取score最高的一个模型。(参考“Training HMM parameters and inferring the hidden states”)
3.收益预测
对当前交易日的隐含状态进行估计；
根据模型的状态转移矩阵，预测下一时段的状态的可能；
根据观测矩阵，计算下一时段的收益期望。
4.回测
根据下一时段的收益预测值，生成交易信号，若收益期望大于0.0006，则开仓或继续持仓；否则空仓。
回测结果：
- 总收益 119.4%
- 年化收益 16.5%
- 最大回撤 21.8%
- 夏普比率 0.75
- 交易次数 15
- 胜率 66.7%
附录
源码地址：《HMM滚动训练择时研究》
本文由BigQuant人工智能量化投资平台原创推出，版权归BigQuant所有，转载请注明出处。