2. 市场状态识别基础
在量化交易与策略工程中，我们常听到一句话：“没有永远有效的策略，只有适配当前市场状态的策略。”这句话背后隐藏着一个核心前提——市场并非同质的随机过程，而是会在不同阶段呈现出截然不同的统计特征。所谓市场状态（Market Regime / Market State），就是对市场在某一时间段内所表现出的收益分布、波动水平、趋势强度与相关性结构等特征的综合刻画。它不是对价格涨跌方向的简单判断，而是对“市场当前以何种方式运行”的抽象描述。
理解市场状态，是构建自适应策略体系的第一步。本节将从定义出发，梳理常见分类，说明识别的意义，并结合典型应用场景，为后续引入隐马尔可夫模型（HMM）打下概念基础。
一、核心原理：市场状态的定义与本质
从统计学角度看，市场状态可以理解为一组参数化的概率分布。假设价格收益率序列为 \( r_t \)，若存在一个潜在变量 \( S_t \)，使得在 \( S_t = k \) 的条件下，\( r_t \) 服从某个特定分布（如均值、方差、自相关性不同的正态分布或厚尾分布），那么 \( S_t \) 就代表了市场状态。这个潜在变量不可直接观测，只能通过收益率、波动率、成交量等可观测数据推断——这正是 HMM 等状态空间模型的用武之地。
市场状态具有三个关键性质：
- 持续性：状态一旦形成，往往会在一定时间内维持，不会每根K线都切换。
- 不可直接观测：我们只能看到价格和成交量，看不到“状态标签”。
- 可统计推断：通过历史数据可以估计各状态的参数与转移概率。
二、常见分类：四类基础市场状态
业界对市场状态的划分方式很多，但最基础、最常用的是按“趋势强度”和“波动水平”两个维度切分，形成四类典型状态：
| 状态类型 | 典型特征 | 收益分布 | 适配策略方向 |
|---|---|---|---|
| 趋势状态 | 价格持续单向运动，均线多头/空头排列 | 均值非零，自相关为正 | 趋势跟踪、动量、突破 |
| 震荡状态 | 价格在区间内反复，无明确方向 | 均值接近零，自相关为负 | 均值回归、网格、做市 |
| 高波动状态 | 振幅剧烈，跳空与长影线频繁 | 方差显著放大，厚尾 | 降低仓位、期权波动率策略 |
| 低波动状态 | 振幅收窄，成交清淡，盘整蓄势 | 方差显著缩小 | 卖方策略、突破前布局 |
需要强调的是，趋势与震荡描述的是“方向性”，高波动与低波动描述的是“离散程度”，两者可以组合。例如“高波动趋势”与“低波动震荡”是两种完全不同的交易环境。实际建模时，状态数量可根据数据复杂度扩展为3至5个，但不宜过多，否则状态区分度下降、过拟合风险上升。
三、识别意义：为什么必须做状态识别
策略失效往往不是因为策略本身写错了，而是因为市场状态发生了切换。识别市场状态至少带来四方面价值：
- 策略选择：趋势策略在震荡市中会被反复止损，均值回归策略在趋势市中会不断逆势加仓。识别状态后，可以动态启用或停用某类策略。
- 风险控制：高波动状态下自动降低杠杆与仓位，低波动状态下可适度提高资金利用率。
- 参数自适应：同一策略在不同状态下的最优参数不同，例如均线周期、止损宽度、持仓时间。
- 绩效归因：将收益按状态拆分，能看清策略到底在哪种环境下赚钱、哪种环境下亏钱。
四、典型应用场景与误区复盘
市场状态识别在以下场景中应用最为广泛：
- 多策略切换组合：趋势策略与均值回归策略互为补充，由状态模型决定当前权重。
- CTA 趋势跟踪：在低波动震荡状态降低开仓频率，避免“钝刀割肉”。
- 期权波动率交易：高波动状态做多波动率，低波动状态做空波动率。
- 仓位管理：以状态概率为输入，动态调整目标波动率与暴露水平。
在实际落地中，常见的误区包括：
- 把状态识别当成预测工具：状态模型给出的是当前状态的概率估计，不是未来涨跌预测。
- 状态数量过多：状态越多，样本越稀疏，参数估计越不稳定，容易过拟合。
- 忽略状态切换的滞后性：识别本身有延迟，切换过于频繁会产生高额交易成本。
- 用未来数据训练：状态模型必须严格滚动训练，避免前视偏差。
下面给出一个状态特征构造的最小示例，用于后续 HMM 输入：
# 构造市场状态特征（示意）
features = {
"return_1d": close.pct_change(),
"vol_20d": close.pct_change().rolling(20).std(),
"trend_strength": (close.ewm(span=10).mean()
- close.ewm(span=60).mean()) / close,
"atr_ratio": atr(14) / close,
"volume_zscore": (volume - volume.rolling(60).mean())
/ volume.rolling(60).std()
}
# 标准化后输入 HMM，估计状态序列与转移矩阵