HMM滚动训练择时研究【附源码】

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。

• 《HMM 理论基础及金融市场的应用（一）》
• 《【研究】隐马尔科夫模型（HMM）的择时应用 》

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。