基于LSTM-GHMM混合方案的量化择时与动态仓位管理

模型架构迭代：从离散到连续

本报告在系列首篇报告的基础上，对量化择时框架进行了系统性升级。核心变化在于底层模型由离散隐马尔可夫模型（HMM）切换为高斯隐马尔可夫模型（GHMM）。这一转变使得观测变量从离散符号扩展为连续多维向量，发射概率由高斯分布刻画。该改进打破了特征维度的限制，允许将25维以上的连续量价特征直接馈入模型。同时，状态推断输出后验概率分布，通过软边界表征市场风格切换的渐进本质，更贴近金融市场的真实运作逻辑。

特征工程升级：LSTM自编码器应用

在特征工程层面，报告引入了LSTM自编码器架构。与传统以预测未来收益率为优化目标的用法不同，该LSTM以最小化输入序列的重建误差为训练目标。编码器将90个交易日×25维的原始特征压缩为10维，解码器将其重建还原。训练集与验证集的重建损失同步收敛，且编码器输出的特征分布在训练集与测试集上保持高度一致。这种设计将LSTM的角色从“预测器”转变为“表征器”，为GHMM的样本外推断提供了分布稳定的观测输入，实现了特征提取与状态推断的解耦。

状态识别机制：过渡态与稳态的自发形成

GHMM在无监督条件下自发生成5个隐藏状态。其中1个为低自维持概率的过渡状态，其余4个为高自维持概率的稳态。这一结构表明市场大部分时间运行于稳定状态中，状态切换通常经由过渡状态完成，而非不同稳态间的直接跳跃。从价格形态看，各状态与特定量价结构存在稳定的对应关系，状态识别在训练集与测试集上表现出较好的一致性，验证了模型在提取市场结构信息方面的有效性。

回测表现与模型局限性分析

2021年以来的多指数回测结果显示，该框架在大多数市场环境下能够有效控制回撤并积累超额收益，在8个主要指数上均能实现相对买入持有的正超额收益，具备较好的指数泛用性。然而，模型对2021年历史极低振幅下的高速轮动行情与2026年K型极端分化行情的结构性适应性偏弱。进一步归因发现，超额损失在万得全A指数上高度集中于某一特定状态，说明问题不在状态识别层面，而在仓位执行层面。

仓位执行优化：针对特定状态的干预规则

归因分析指出，基于历史频度统计的凯利公式在特定状态下存在“均值回归”的保守倾向，对“假摔反包”类行情响应不足。为此，报告引入了一个针对该状态的轻量级干预规则，在不改变底层识别逻辑的前提下改善适应性。例如，在识别到底部快速修复形态时，强制介入仓位管理，使仓位固定为特定比例叠加凯利仓位。回测表明，这种基于状态特征的仓位优化思路能够显著提升主要指数的净值表现，为构建择时策略提供了可追溯、可独立优化的改进方向。