📚 课程目录第4章市场状态识别方法

4. 市场状态识别方法

策略权重切换的前提，是先知道“现在是什么市场”。如果状态判断本身不稳定，后面的权重调整只会放大错误。市场状态识别的目标不是预测涨跌，而是把连续行情压缩为少数可操作的状态标签，并让标签在时间上具有延续性、在边界上具有可解释性。本节围绕趋势、震荡、高波动、低波动四类状态，给出一套可落地的量化判定流程。

一、核心原理：用“方向效率”和“波动水平”两个维度切分状态

多数行情可以拆成两个独立问题：第一，价格是否在朝一个方向高效推进；第二，价格整体波动是否足够大。前者用趋势效率衡量，后者用波动率衡量。把这两个维度交叉，就得到四象限状态：

趋势状态：方向效率高，波动中高，价格持续创出新高或新低。
震荡状态：方向效率低，波动中低，价格在区间内反复折返。
高波动状态：波动率显著抬升，但方向效率不稳定，常见于消息冲击或流动性骤变。
低波动状态：波动率被压缩到历史低位，方向效率也低，常出现在趋势启动前的蓄势期。

这里的关键是：趋势和震荡不是按“涨跌”划分，而是按“推进效率”划分；高波动和低波动不是按“绝对价格”划分，而是按“波动率分位”划分。只有把两者分开，才能避免把“高波动下跌”误判为“强趋势下跌”。

二、方法流程：从原始数据到状态标签

状态识别建议按固定流水线执行，避免每次凭感觉换指标。流程如下：

数据准备：使用同一周期的收盘价、最高价、最低价，确保复权一致。
计算方向效率：常用ADX、效率比率ER或净变动/总变动。ER越高，趋势越强。
计算波动率：用ATR/收盘价、滚动标准差或已实现波动率，并取历史分位。
设定阈值：效率阈值和波动分位阈值分别取历史滚动分位，如70%和30%。
状态映射：按四象限规则输出标签，并做最小持续期过滤。
平滑处理：用N根K线确认或状态机去抖，减少频繁切换。

下面是一段可复用的Python伪代码，展示核心计算与映射逻辑：

import numpy as np
import pandas as pd

def efficiency_ratio(close, n=20):
    change = abs(close - close.shift(n))
    volatility = close.diff().abs().rolling(n).sum()
    return change / volatility.replace(0, np.nan)

def atr_percentile(high, low, close, n=14, lookback=252):
    tr = pd.concat([
        high - low,
        (high - close.shift()).abs(),
        (low - close.shift()).abs()
    ], axis=1).max(axis=1)
    atr = tr.rolling(n).mean() / close
    return atr.rolling(lookback).rank(pct=True)

def market_state(df, er_th=0.35, vol_hi=0.70, vol_lo=0.30):
    er = efficiency_ratio(df['close'])
    vp = atr_percentile(df['high'], df['low'], df['close'])
    state = np.select(
        [(er > er_th) & (vp >= vol_lo),
         (er <= er_th) & (vp >= vol_hi),
         (er <= er_th) & (vp < vol_lo)],
        ['trend', 'high_vol', 'low_vol'],
        default='range'
    )
    return pd.Series(state, index=df.index)

阈值不要写死。建议每季度用滚动窗口重新估计分位，并保留一份阈值变更日志，便于复盘时区分“市场变了”还是“参数变了”。

三、案例场景：同一段行情中的状态切换

假设某品种日线数据在三个月内经历三个阶段。第一阶段，ER从0.2升至0.55，ATR分位从25%升至65%，状态从低波动切到趋势，此时趋势策略权重应上调。第二阶段，ER回落至0.25，ATR分位升至85%，价格上下影线明显变长，状态进入高波动，此时应降低仓位、放宽止损或暂停开仓。第三阶段，ER继续低于0.3，ATR分位降至20%，价格窄幅横盘，状态进入低波动，适合等待突破信号而非重仓押注方向。

这个案例说明：状态切换往往不是瞬间完成，而是有过渡带。工程上可以用“候选状态+确认计数”的方式，例如连续3根K线满足新状态才正式切换，避免在边界反复横跳。

状态	方向效率	波动分位	典型策略权重倾向	风险动作
趋势	高	中高	趋势跟踪上调	正常仓位，移动止损
震荡	低	中低	均值回归上调	区间边界止盈止损
高波动	不稳定	高	整体降权	降杠杆，收紧风控
低波动	低	低	轻仓等待	观察突破，避免重仓

四、误区与复盘：状态识别最容易犯的错

用单一指标定状态：只看ADX或只看波动率，容易把高波动震荡误判为趋势。
阈值固定不变：不同品种、不同年份的波动中枢不同，固定阈值会系统性偏移。
忽略最小持续期：状态每天切换，策略权重也会每天切换，交易成本和滑点会吃掉收益。
把状态当预测：状态识别是描述当前环境，不是预测下一根K线方向。
不做复盘归因：亏损时先看状态标签是否准确，再看策略权重是否匹配，最后才看单笔执行。

如果状态标签在历史上频繁跳变，优先检查数据频率、阈值分位窗口和确认根数，而不是直接换更复杂的模型。多数问题来自参数与确认机制，而非模型容量。

复盘时建议记录每日状态、效率值、波动分位和实际权重，形成状态-权重对照表。连续跟踪20个交易日后，你会更清楚哪些状态切换是有效的，哪些只是噪声。状态识别做扎实，权重切换才有稳定的输入。