市场脉搏（2）：基于LSTM-GHMM混合方案的量化择时与动态仓位管理.pptxVIP

l投资要点

基于系列首篇报告《市场脉搏（1）》的基础，本报告（2.0版本）对择时框架进行了系统性迭代升级。

模型迭代：从离散到连续。系本篇将底层模型升级为高斯隐马尔可夫模型（GHMM），观测变量由离散符号扩展为连续多维向量，发射概率由高斯分布刻画。特征维度不再受限，可将25维以上连续量价特征直接馈入模型；并且状态推断输出后验概率分布，软边界表征更贴近风格切换的渐进本质。

特征工程：LSTM自编码器。与常规用法不同，本报告中的LSTM不以预测未来收益率为优化目标，而采用自编码器架构，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，为GHMM的样本外推断提供了分布稳定的观测输入。

状态识别：过渡态与稳态。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。

回测表现与模型边界。2021年以来多指数回测结果显示，该框架在大多数市场环境下