3. 隐马尔可夫模型入门

在金融市场里，我们每天能直接看到的只有价格、成交量、涨跌幅、波动率这些观测数据；但真正决定行情走向的，往往是背后那个看不见的市场状态——是趋势、是震荡、还是恐慌。隐马尔可夫模型（Hidden Markov Model，HMM）正是用来处理这类“状态不可见、只能通过观测反推”的问题。本节我们把 HMM 的四个核心概念讲透：隐状态、观测序列、马尔可夫链、转移概率与发射概率。

一、核心原理：两层结构，一条链

HMM 的直觉可以用一句话概括：市场在几个“隐藏状态”之间来回切换，每个状态会以不同的概率“发射”出我们看到的观测值。它由两层组成：

• 隐状态层（Hidden State）：真实但不可直接观测，例如“牛市趋势”“震荡整理”“熊市下跌”。记作 S = {S₁, S₂, …, S_N}。
• 观测层（Observation）：我们实际能拿到的数据，例如日收益率、成交量、波动率。记作 O = {o₁, o₂, …, o_T}。

两层之间靠两个概率矩阵连接：转移概率决定“状态怎么变”，发射概率决定“这个状态长什么样”。再加上一个初始状态概率，HMM 的参数就齐了，通常记作 λ = (A, B, π)。

二、马尔可夫链：状态切换的“记忆只有一步”

马尔可夫链描述的是状态序列的演化规律，它的关键假设是无后效性：下一时刻的状态只取决于当前状态，与更早的历史无关。用公式表达就是：

P(S_{t+1} | S_t, S_{t-1}, …, S_1) = P(S_{t+1} | S_t)

这个假设在市场上当然是一种简化，但它让模型变得可计算。转移概率矩阵 A 的每一行表示“从当前状态出发，下一时刻去往各状态的概率”，每行之和为 1。例如三个市场状态的转移矩阵：

读表要点：对角线数值大，说明状态有黏性，行情一旦进入某状态往往会持续一段时间；非对角线数值小，说明切换是“偶发事件”。这正是 HMM 能刻画“趋势延续”和“状态突变”的原因。

三、发射概率：每个状态“长什么样”

发射概率矩阵 B 描述的是：在某个隐状态下，观测到某个具体数值的概率有多大。在量化实战中，观测通常是连续值（如日收益率），因此常用高斯发射，即每个状态对应一个均值 μ 和标准差 σ。

• 趋势上涨状态：μ 为正、σ 较小 → 多数日子温和上涨。
• 震荡整理状态：μ 接近 0、σ 中等 → 涨跌互现、方向不明。
• 趋势下跌状态：μ 为负、σ 较大 → 下跌为主且波动剧烈。

把转移概率和发射概率放在一起看，就能理解 HMM 的“生成逻辑”：先按初始概率选一个状态，再按发射概率生成今天的观测；然后按转移概率跳到下一个状态，再发射下一个观测……如此循环，就生成了一整条观测序列。

四、案例场景：用 HMM 识别市场状态

假设我们只用一个观测：沪深300的日收益率。设定 3 个隐状态，用历史数据训练 HMM 后，模型会输出每一天最可能属于哪个状态。一个典型的实战流程如下：

1. 准备观测序列：取对数收益率，做标准化，剔除停牌与异常值。
2. 设定状态数 N：一般 2～4 个，太多会过拟合，太少区分度不足。
3. 训练参数：用 Baum-Welch（EM 算法）估计 A、B、π。
4. 状态解码：用 Viterbi 算法求出最可能的隐状态序列。
5. 映射与验证：把状态标注为“上涨/震荡/下跌”，检查其收益均值、波动是否符合直觉。

# 伪代码示意
model = GaussianHMM(n_components=3, covariance_type="diag", n_iter=200)
model.fit(returns)              # 训练 A, B, π
states = model.predict(returns) # Viterbi 解码隐状态
print(model.transmat_)          # 查看转移矩阵
print(model.means_)             # 查看各状态均值

训练完成后，如果发现某个状态的日均收益显著为正、波动低，且自身留存概率高，就可以把它理解为“趋势上涨状态”，并据此设计仓位规则。

五、常见误区与复盘

• 误区二：状态数越多越好。状态数增加会提升拟合度，但也会让状态含义模糊、切换频繁，反而失去策略价值。
• 误区三：忽略无后效性假设。市场存在长记忆和 regime 依赖，HMM 只是近似，需配合滚动训练与样本外验证。
• 误区四：只看解码结果，不看概率。应关注状态的后验概率，当概率接近 0.5 时说明状态不明确，不宜重仓。