本报告基于隐马尔科夫模型(HMM),借鉴语音识别技术,提出股票涨跌预测模型和相应的选股策略。该策略以中证500成份股为池,利用6个价量特征构建HMM因子,按因子排序选股并进行行业中性优化。回测结果显示,行业中性策略年化超额收益16.19%,最大回撤9.69%,信息比达到2.14,显著优于基准和非行业中性方案,表现稳健且具备实用价值。
| 组合 | 累积收益率 | 年化收益率 | 波动率 | 信息比 | 最大回撤 | 胜率 |
|---|---|---|---|---|---|---|
| 多空 | 9202.96% | 48.68% | 16.93% | 2.88 | -15.74% | 66.96% |
| 多头 | 2289.53% | 32.01% | 35.54% | 0.90 | -64.10% | 58.75% |
| 中证500 | 122.83% | 7.26% | 33.64% | 0.22 | -71.72% | 56.07% |
| 组合 | 累积收益率 | 年化收益率 | 波动率 | 信息比 | 最大回撤 | 胜率 | 平均换手率 |
|---|---|---|---|---|---|---|---|
| 指数对冲 | 401.46% | 14.82% | 8.33% | 1.78 | -19.94% | 59.11% | 32.88% |
| 多头 | 983.23% | 22.66% | 35.33% | 0.64 | -63.75% | 58.39% | 32.88% |
| 中证500 | 122.83% | 7.26% | 23.79% | 0.31 | -71.72% | 56.07% |
| 组合 | 累积收益率 | 年化收益率 | 波动率 | 信息比 | 最大回撤 | 胜率 | 平均换手率 |
|---|---|---|---|---|---|---|---|
| 指数对冲 | 455.40% | 16.19% | 7.57% | 2.14 | -9.69% | 63.39% | 31.48% |
| 多头 | 1071.94% | 24.03% | 35.74% | 0.67 | -65.01% | 59.11% | 31.48% |
| 中证500 | 122.83% | 7.26% | 23.79% | 0.31 | -71.72% | 56.07% |
| 策略 | 多空对冲 | 非行业中性 | 行业中性 |
|---|---|---|---|
| 对冲标的 | 最低档股票 | 中证500指数 | 中证500指数 |
| 累积收益率 | 9202.96% | 401.46% | 455.40% |
| 年化收益率 | 48.68% | 14.82% | 16.19% |
| 波动率 | 16.93% | 8.33% | 7.57% |
| 信息比 | 2.88 | 1.78 | 2.14 |
| 最大回撤 | -15.74% | -19.94% | -9.69% |
| 胜率 | 66.96% | 59.11% | 63.39% |
| 平均换手率 | 50.12% | 32.88% | 31.48% |
(图1-大奖章基金历年净回报率图,展现基金与标普500近年收益对比,图示基金回报高且波动较低)
,3,4]
(图2-高斯混合模型示意图)
(图3-4 经典HMM语音识别训练及识别流程图)
,6,7,8,9,10]
(图5-6 HMM模型训练及预测流程图)
(图10-12 HMM因子IC序列、分档表现及累积收益率)
(图13 HMM多空策略净值曲线)
(图14 选股策略指数对冲净值曲线)
(图15 行业中性选股策略净值曲线)
| 策略类型 | 多空对冲 | 非行业中性 | 行业中性 |
|---|---|---|---|
| 累积收益率 | 9202.96% | 401.46% | 455.40% |
| 年化收益率 | 48.68% | 14.82% | 16.19% |
| 波动率 | 16.93% | 8.33% | 7.57% |
| 信息比 | 2.88 | 1.78 | 2.14 |
| 最大回撤 | -15.74% | -19.94% | -9.69% |
| 胜率 | 66.96% | 59.11% | 63.39% |
| 平均换手率 | 50.12% | 32.88% | 31.48% |
| (表7综合表现),16,17,18,19,20,21,22] |
本报告通过将隐马尔科夫模型——一种在语音识别领域久经考验的时序概率模型,创新地引入金融选股领域,构造了基于价量信息的双模型涨跌预测机制。该机制通过训练分别描述股价上涨与下跌状态序列的独立HMM模型,从而计算个股对应的上涨概率(HMM因子),构建多档股票池并选取最优档超配。
实证结果显示,基于HMM因子的选股策略在中证500成份股池内表现优异:因子IC稳定为正,各档收益区分明显。多空对冲策略年化收益高达48.68%,信息比2.88,最大回撤仅15.74%。指数对冲版本也取得14.82%—16.19%的年化超额收益,风险指标同样优异。通过行业中性调整有效降低最大回撤,提高信息比,展现策略的稳健性和适应性。
详细的图表支持了这些实证结论:
然而,风险提示也明确指出模型效果假设基于历史数据,未来可能失效;市场结构变化和竞争策略加剧是重要限制因素。
综上所述,报告从理论原理、实证数据及风险视角多角度充分论述了基于隐马尔科夫模型构建的选股策略,其数据支持与模型创新兼备,为数量投资策略研究提供了重要参考,同时对实际应用中需关注的风险提出了合理警示。,3,4,5-22]
金融工程:再探西蒙斯投资之道 基于隐马尔科夫模型的选股策略研究.pdf