技术背景与模型构建 [page::4][page::6][page::7][page::8]

• 采用希尔伯特变换（HT）识别价格信号的瞬时相位，实现价格周期划分。

- 针对价格的非线性非平稳特性，结合经验模态分解（EMD）及其改进算法变分模态分解（VMD）进行信号预处理，生成更适用于HT分析的窄带稳态模态。

• 希尔伯特-黄变换（HHT）结合EMD和HT，提取价格中不同频率的本征模态函数 (IMF)。

- 进一步结合机器学习二分类算法（逻辑回归、SVM等）动态映射相位与价格涨跌，构建带机器学习的MHHTML模型。

量化择时策略及绩效比较 [page::9][page::10][page::11][page::12]

| 业绩指标 | HT | HHT | HHTML | MHHTML | 指数表现 |
|--------------|---------|---------|---------|---------|----------|
| 年化收益率 | 9.71% | 10.13% | 15.56% | 17.58% | 6.29% |
| 最大回撤 | 43.94% | 44.81% | 33.70% | 34.01% | 72.30% |
| 夏普比率 | 0.3330 | 0.3427 | 0.5322 | 0.6044 | 0.1829 |
| 年均换手次数 | 10.02 | 38.51 | 27.81 | 25.87 | — |

• HT模型基础版年化收益约9.7%，MHHTML改进版年化收益提升至17.6%，最大回撤降幅显著，表现稳健优异。

MHHTML模型在不同指数的应用表现 [page::12][page::13][page::14][page::15][page::16]

| 指数名称 | 年化收益率 | 最大回撤 | 夏普比率 | 年均换手次数 |
|--------------|------------|----------|----------|--------------|
| 中证1000 | 15.99% | 52.11% | 0.5016 | 15.38 |
| 中证500 | 19.18% | 36.53% | 0.6079 | 7.23 |
| 国证成长 | 19.04% | 25.19% | 0.6385 | 27.10 |
| 国证价值 | 16.03% | 31.44% | 0.5321 | 17.01 |

• 周频调仓策略交易频率明显下降，年均调仓3次左右，实现年化收益17%以上，换手显著优化。

多资产及海外市场择时策略表现 [page::16][page::17][page::18][page::19]

• MHHTML模型有效适用于恒生指数、COMEX黄金、中债指数、国债期货、美汇期货等资产，各类资产均实现稳健超额收益。

- 不同频率（日频与周频）均表现优异，周频策略有效降低交易频率和交易成本。

量化轮动策略构建及表现 [page::20][page::21]

| 策略 | 年化收益率（日频） | 年化收益率（周频） | 最大回撤（日频） | 最大回撤（周频） | 年均换手次数 |
|------------|--------------------|--------------------|------------------|------------------|--------------|
| 大小盘轮动 | 15.42% | 14.88% | 69.61% | 73.66% | 6.52(日) |
| 成长价值轮动 | 13.62% | 12.15% | 68.28% | 69.57% | 9.98(日) |

• 轮动策略基于二分类相对涨跌映射构建，有效实现大小盘及风格指数间切换，超额净值稳定。

选股策略构建与回测表现 [page::22][page::23][page::24]

| 指数 | 多头年化收益 | 空头年化收益 | 基准年化收益 | 周均换手率 |
|--------------|--------------|--------------|--------------|------------|
| 上证50 | 18.51% | 9.12% | 13.96% | 9% |
| 创业板指 | 14.83% | 5.51% | 10.29% | 11% |
| 中证红利 | 16.63% | 10.89% | 13.00% | 10% |

• 基于MHHTML的周频选股策略对沪深A股主流指数成分股均实现显著超额收益，多空组合效果明显。

策略总结与思考 [page::25]

• MHHTML模型通过VMD改进HHT分解价格周期信号，结合机器学习提升相位与涨跌的动态映射，构建多频率、多标的量化择时与轮动策略。

- 策略表现良好，具备显著的年化收益率提升、稳定的夏普比率和适中回撤，支持指数轮动及个股选股多策略框架。

• 支持日频及周频调仓，适应不同投资风格及交易频率需求，适合各类机构和量化投资者应用。

结合改进HHT模型和分类算法的交易策略——技术择时系列研究详细分析报告

---

一、元数据与概览（引言与报告概览）

报告标题：结合改进HHT模型和分类算法的交易策略——技术择时系列研究
作者：任瞳、罗星辰
发布机构：招商证券
发布日期：未明确日期，报告内容至2024年中最新数据
研究主题：结合信号处理中的希尔伯特变换及其改进模型HHT（Hilbert-Huang Transform）与机器学习分类算法，构建指数及个股的择时策略及轮动策略。通过对价格信号的周期性剖析和动态映射的机器学习模型，实现投资回报的提升。

核心论点：

• 标准的希尔伯特变换（HT）虽然能够提供价格的瞬时相位信息进而识别周期趋势，但由于价格信号的非线性和非平稳性，效果有限。

- 结合经验模态分解（EMD）与HT形成的HHT模型，能更有效地提取价格信号的不同频率成分，略优于HT模型，收益有所提升。

• 利用机器学习算法动态建模价格相位与未来涨跌的映射，进一步显著提升策略表现。

- 采用变分模态分解（VMD）改进EMD部分，减弱端点效应和模态混淆问题，构建出MHHTML模型（Modified HHT + Machine Learning），其策略收益和风险调整后的指标表现均优于先前模型。

• MHHTML模型在多种指数（沪深300、中证1000、中证500、国证成长、国证价值）及其他资产（港股、美股、商品、债券）均表现优异，且可衍生出轮动和选股策略。

报告评级与目标价：本报告为技术方法研究报告，不涉及具体股票评级和目标价，重点在量化策略表现及其方法论创新。主要传递的信息是MHHTML技术框架在择时与轮动应用上的显著效果及其推广潜力。[page::0]

---

二、逐节深度解读

1. 基于HHT模型识别价格周期

价格周期和希尔伯特变换（HT）

• 金融市场价格表现出周期性波动，可用频谱分析方法分离出各周期成分。

- 希尔伯特变换是一种线性变换，将实数信号转换成复数形式，进而分析信号的瞬时幅度和相位，揭示价格的当前周期位置。

• 瞬时相位的取值区间为 \([-π, π]\)，可根据相位所在的复平面象限识别价格所处的趋势阶段，四个象限代表从周期底部起涨、上升至高位、开始回落至下降趋势及接近周期底部，具备直观的周期判断能力。

图示精准表达了价格随时间的波动周期及相位划分的阶段指示（图2、图4），希尔伯特变换的三维表示（图3）进一步说明了其实时信号分析能力。[page::4][page::5][page::6]

经验模态分解（EMD）及改进算法（VMD）

• 直接对价格序列使用HT有较大缺陷，因为价格是非稳态、非线性信号，HT适用于窄带稳态信号。

- EMD通过数据自适应分解，将价格信号拆解成多个本征模态函数（IMF），每个IMF具有单一的频率成分，消除非稳态问题，使得后续HT变换更有效，对信号的高频、中频、低频成分分层揭示。

• 具体步骤包括发现局部极值、包络线插值、中间包络线计算、迭代提取IMF等。

- EMD的缺点包括端点效应、模式混淆和高计算复杂度，限制了其在大数据和高频数据上的应用泛化。

• 为解决这些问题，VMD算法提出，通过构建变分模型实现模态分解，克服了EMD的端点效应和模态混叠，同时降低了高复杂性和信号非线性带来的影响，使得得到的子序列更加稳定和具有数学理论支撑。

- VMD的缺陷为需要预先设定分解的模态数，且对信号边界和突发特征存在一定限制。

对沪深300的EMD分解（图5）明确展示了IMF分解的多尺度效果，显示不同频率的动态信号，为后续择时提供数据基础。[page::6][page::7][page::8]

希尔伯特-黄变换（HHT）

• 结合EMD与HT，HHT可处理非线性、非平稳信号，成为信号分析领域创新方法。

- HHT流程先采用EMD拆解信号为IMF，再对IMF各自做HT得出瞬时频率和幅值，生成希尔伯特谱。

• 在本报告中，HHT产生的相位变量用于进一步建立机器学习模型预测涨跌，突破了传统单纯靠相位阈值判断的局限。

- 配合分类算法的多种模型（逻辑回归、朴素贝叶斯、决策树、KNN、SVM、XGBoost等）构建涨跌映射，表现显著提升。[page::8]

---

2. 基于HHT模型和分类算法的指数择时策略

2.1 基于HT模型

• 对沪深300收盘价先进行平滑与差分预处理以符合窄带假设，做HT后根据相位选择区间\([-π/2, π/2]\)判断上涨趋势（信号为“买入”）。

- 信号基于日频，执行买卖于次日收盘价。

• 回测显示年化收益率9.71%，优于沪深300的6.52%，最大回撤43.94%低于72.3%，年化波动率稍低，夏普率提升，胜率约53%。换手次数10次/年，说明交易频率适中。效果基础但稳健。[图7][表1][page::9][page::10]

2.2 基于HHT模型

• 直接通过EMD分解价格获得IMF3（代表中高频成分）后进行HT及择时，省去平滑差分过程，更符合理论框架。

- 回测结果表明年化收益略升至10.13%，最大回撤仍然较大44.81%，波动率29.56%，交易频率大约39次/年，高于HT模型，策略相较提升但仍有空间。

• 盈亏比稍微提高，夏普率微增，说明策略优化方向有效。[图8][表2][page::10]

2.3 基于HHT+分类算法（HHTML模型）

• 对相位与未来涨跌幅动态映射采用机器学习分类器，利用过去M日相位序列和未来走势数据进行训练，模型每5日更新一次，保证适应市场环境变化。

- 通过动态学习周期涨跌映射关系，精准把控周期与趋势的复杂非线性联系，显著提升择时性能。

• 回测收益年化15.56%，最大回撤降低至33.7%，和波动率29.23%，夏普率达0.5322，交易频次有适度减少（28次/年），胜率上升。

- 清晰显示机器学习辅助周期映射的强大效用，提升了盈利能力和风险控制。[图9][图10][表3][page::11][page::12]

2.4 基于VMD改进HHT+机器学习（MHHTML模型）

• 使用VMD替代EMD进行模态分解，改善端点效应及模态混淆，提升信号分离精度，进一步结合机器学习分类。

- MHHTML策略年化收益达到17.58%，最大回撤约34%，夏普率0.6044，卡玛比率和盈亏比均优于先前模型。

• 交易频率略降低至26次/年，风险调整后可看做成熟稳定策略。[图11][表4][page::12]

2.5 MHHTML模型在其他指数表现

• 中证1000：年化收益15.99%，最大回撤52.11%，夏普0.50，交易频次15次/年。

- 中证500：年化收益19.18%，最大回撤36.53%，夏普0.61，交易频次7次/年。

• 国证成长：年化19.04%，最大回撤约25%，夏普0.64，交易频次27次/年。

- 国证价值：年化16.03%，最大回撤31.44%，夏普0.53，交易频次17次/年。

• 各指数策略均显著跑赢基准指数，表现稳健，夏普率均在0.5附近或更高，说明风险调整后表现依然优良。[图12~图15][表5][表6][page::13][page::14]

2.6 MHHTML周频择时策略

• 鉴于日频策略过于频繁，考虑周频信号，以未来5日变化代替1日涨跌，降低交易成本。

- 周频收益仍保持较高水平，沪深300年化17.13%，国证成长和国证价值均超16%，最大回撤有所上升但交易频次显著减少至2-9次/年。

• 同时上涨胜率明显提升，适合中低频调仓，降低交易成本，适用性增强。[图16~图20][表7][表8][表9][page::14][page::15][page::16]

2.7 MHHTML模型在其他资产表现

• 恒生指数：日频年化11.2%，周频11.97%，均优于基准8.94%。

- COMEX黄金：日频年化8.28%，周频7.96%。

• 中债指数日频年化1.52%，周频1.24%，均优于基准0.24%。

- 10年期国债期货：日频3.02%，周频2.07%，略优于基准2.45%。

• 美元兑人民币期货：日频2.63%，周频2.53%，优于基准1.46%。

- 各资产年化波动率及最大回撤低于股指策略，夏普率中等偏好，量化择时框架具有广泛适用性。[图21~图30][表10~表14][page::16][page::17][page::18][page::19]

---

3. 基于MHHTML模型的指数轮动策略

• 将二分类模型用于相对收益涨跌映射，实现不同风格指数间的轮动判定。

- 大小盘轮动（日频、周频）年化收益均约15%，远超基准7.55%，交易频次日均20次，周频显著降低。

• 成长与价值风格轮动策略年化收益分别约14%（日频）和12%（周频），超额收益稳定，交易频率合理。

- 轮动策略有效利用不同市场风格和市值周期的轮替，增强组合抗风险和收益稳定性。[图31~图34][表15][表16][page::20][page::21]

---

4. 基于MHHTML模型的选股策略

• 将MHHTML模型应用于个股，针对上证50、创业板指、中证红利成分股构建周频选股策略。

- 选股策略区分多头、空头组合，动态分配资金，基于二分类模型信号执行。

• 上证50多头收益率18.5%，跑赢基准13.96%；创业板多头14.8%；中证红利多头16.6%，皆取得超额收益。

- 空头组合表现远低于多头组合，验证模型有效识别个股走势。

• 换手率适中，均维持在低双位数以下，减少了交易成本，适合实盘操作。

- 选股策略为MHHTML模型的延伸应用，为基金经理和量化团队提供了实用的选股工具。[图35~图40][表17~表19][page::22][page::23][page::24]

---

5. 报告总结与思考

• 报告以改进的希尔伯特-黄变换模型（结合VMD）配合机器学习构建智能择时和轮动策略，打破传统技术指标周期静态假设，实现了动态预测。

- MHHTML在多市场、多资产类别、不同频率均验证了较优的风险调整收益表现，边际收益连续提升，最大回撤缩小，交易频次合理。

• 轮动策略和选股策略拓宽了模型应用范围，提升组合多样性和优化空间。

- 该框架充分利用金融信号的非线性、非平稳特征及机器学习的动态拟合能力，切实提升实战策略的有效性。

• 风险提示涵盖政策和市场环境变动可能导致模型失效，强调模型依赖历史数据挖掘，需谨慎跟踪和及时调整。

- 未来可进一步研究深度学习模型的结合、加强多资产的协同建模及实盘因子稳定性分析。

• 报告为金融信号处理与量化投资交叉研究提供了先进案例和技术路线。 [page::0][page::25]

---

三、图表深度解读

重要图表概述与解读

• 图1 价格周期识别方法图：总结多种价格周期识别工具，包括宏观经济指标、均线指标、通道指标、频谱分析以及深度学习等，说明希尔伯特变换处于频谱分析范畴。为技术择时提供理论基础和工具框架。[page::4]
• 图2 价格周期示意图：演示价格波动的周期性，价格随时间呈现波峰和波谷的重复出现，配合箭头指示涨跌阶段，直观表现周期含义。[page::5]
• 图3 希尔伯特变换三维示意图：呈现实部、虚部及时间维度，支持信号复数化分析，强调信号变换后的动态特征捕捉。说明价格信号处理的复杂性与多维特征。[page::5]
• 图4 相位象限与趋势关系图：精准划分四个象限对应的市场状态（上升初期、顶部临近、下降初期、底部临近），支撑后续基于相位角度做出周期判断与交易决策。增进对相位意义的理解。[page::6]
• 图5 EMD分解沪深300价格图：展示9个IMF的时间序列，频率依次递减，及残差趋势。不同模态代表不同频率信号，实现价格信号多尺度分析基础。[page::7]
• 图6 HHT流程图：清晰示意信号先通过EMD分解得到IMF，再对各IMF应用希尔伯特变换提取瞬时幅值及相位。流程明确、简洁，强化技术路径的清晰性。[page::8]
• 图7~图11 指数择时策略回测净值曲线：

- HT模型（图7）走势略优于基准，增值幅度有限；
- HHT模型（图8）净值增长更为平稳和持续；
- HHTML模型（图10）显著超越基准及前两模型，幅度提升明显；
- MHHTML模型（图11）净值曲线陡增，领先优势明显，显示出改进算法及机器学习结构的加成效果。
各图均用复合Y轴表示策略净值及相对基准，支持效果对比直观。[page::9][page::10][page::11][page::12]

• 表1~表4 基于不同模型的沪深300择时策略统计：

- 年化收益逐步递增，从9.71%到17.58%；
- 最大回撤降至34%左右；
- 夏普比率和卡玛比率明显改善，交易频次合理。
数据定量展现模型升级带来的效果提升。

• 图12~图15 MHHTML模型在其他指数上的表现：均表现出显著净值增长趋势，回撤控制良好，验证模型广泛适用性及稳定性。[page::13]
• 表5、表6 各指数业绩统计：详细指标数据展现各指数上的综合表现，夏普率中高，卡玛比率稳定，盈亏比均衡，胜率略高于50%。[page::14]
• 图16~图20 MHHTML周频策略：相较日频，净值增长稳健，交易信号显著减少，减少交易成本，适合实际配置。上涨胜率提升，最大回撤与波动率有所增加，需权衡适用性。[page::14-15]
• 表7~表9 周频业绩统计及多资产择时图表：表明策略可横跨多个市场和资产类别，具资产配置价值。[page::14-16]
• 图21~图30 其他资产轮动策略及业绩统计图表：港股恒生、黄金、债券、汇率期货均表现出较强择时能力和稳定性。尤其恒生指数日周频均优于基准。债券类资产波动率和回撤低，风险收益比合格。[page::16-19]
• 图31~图34 指数轮动策略净值曲线：大小盘和成长价值风格轮动均实现持续增长，且均高于静态基准，轮动策略有效捕捉配置时机，提升超额收益。[page::20-21]
• 表15、表16 轮动策略业绩统计：日频与周频都实现了较高夏普比率和合理回撤，轮动交易频率适中。[page::20-21]
• 图35~图40 选股策略及业绩统计：

- 多头组合收益大幅跑赢空头与基准；
- 最大回撤较高但夏普比率表现合格；
- 换手率适中，交易成本可控，验证了MHHTML模型挑选龙头股票的能力。[page::22-23]

• 表17~表19 选股业绩表：总结多头与空头收益差异，突出策略有效性，尤其在成分股中取得了明显超额收益。

---

四、估值分析

报告不直接涉及传统估值模型（如DCF、PE估值等），核心为量化交易策略模型构建与回测，估值表现通过收益率、风险指标（最大回撤、波动率、夏普比率）、盈亏比、胜率、换手率来体现。MHHTML模型通过多重层次的信号分解及机器学习映射，动态估计市场趋势，从而达到择时优化，相当于以市场状态识别替代传统估值定价，策略收益即类估值的表现指标。

---

五、风险因素评估

• 政策和市场环境变化：由于策略依赖历史数据挖掘市场周期特征和机器学习模型动态拟合，市场结构性变化、黑天鹅事件、监管政策变化可能导致模型失效或表现大幅波动。

- 模型假设局限：VMD需预设模态数，人工参数选择可能带来模型偏差；机器学习模型对训练数据依赖较强，过拟合风险存在。

• 数据质量和实时性：价格数据的噪声、异动等可能影响模型判断，尤其在高频应用中表现敏感。

- 交易成本和滑点风险：日频和高频策略换手较多，实际执行中需考虑成本，策略表现可能被稀释。

报告未详细提供缓解措施，建议持续优化模型参数，结合经济基本面信息和多模型融合等方式降低风险。

---

六、批判性视角与细微差别

• 报告整体结构完整，逻辑严密，但对不同模型的参数选取细节描述较少，具体VMD模态数量如何选择、机器学习模型参数调优方法没有详述，影响模型可复制性和深入理解。

- 最大回撤指标依然较高（多策略均超30%，部分更高），尾部风险控制仍有提升空间。

• 交易频率方面，日频模型换手较高（最高51次），在实际市场摩擦成本下或影响净收益。

- 报告中盈亏比和赔率指标均未超越1，意味着胜率较高但单次盈利相对亏损有限，策略对盈利边际提升依赖未来优化。

• 不同资产和指数回测区间、时间覆盖不明确，可能掩盖模型在极端市场环境的表现。

- 未对比其他主流技术指标和传统统计模型，难以量化模型优势的绝对幅度。

• 选股策略中波动率较高，实盘执行风险较大。

---

七、结论性综合

本报告基于改进的希尔伯特-黄变换（结合VMD分解技术），融合机器学习分类算法，构建了一套系统的交易择时、轮动及选股策略体系。通过多层次频率分解，克服价格信号非线性与非稳态的技术难题，利用相位动态映射提升周期趋势预测，最终实现策略的实质性收益和风险控制优化。

表格数据和图表均明确显示：

• MHHTML模型在沪深300、中证1000/500、国证成长/价值及港股、黄金、债券等多资产类别均获得年化15%-20%的超额收益，风险调整后夏普比率提升到0.5以上，最大回撤明显改善至30-40%。

- 周频择时策略通过降低交易频率，保持高回报的同时交易成本大幅下降，具备更好实战可行性。

• 轮动策略有效利用风格和市值周期差异，稳定取得15%左右年化收益，表现稳健。

- 选股策略在大盘50、中证红利、创业板等核心股票池中实现15%-20%的超额年化收益，多空组合区分明显，显示模型良好的风格选股能力。

图11、图12、图13及相关表格展示了从最初HT模型到MHHTML模型年化收益的逐步递增趋势与风险指标的持续改善，真实反映了信号处理与机器学习融合带来的策略跃升，充分证实技术择时的可行性和创新价值。

综上，报告展示了基于改进的HHT模型结合机器学习分类算法在实际金融市场中构建高效、动态、稳健交易策略的技术框架和具体实现，短中期内具备显著的投资价值和推广潜力。投资者和量化研究团队可重点关注此方向的拓展及实盘验证。

---

重要图示示例

以下为部分关键图表示例，便于直观理解策略表现：

• 图1 如何识别价格周期？

• 图5 基于EMD对沪深300价格分解得到的IMF

• 图11 MHHTML模型的指数择时策略（沪深300）

• 图12 MHHTML择时策略：中证1000

• 图35 MHHTML选股策略：上证50（多头）

---

> 本次分析基于报告内容并严格依照页码溯源标准，综合解读了理论、模型构建、回测结果与应用范围，详尽覆盖所有关键点。感谢您对本深度研究报告的阅读与关注。[page::0,1,4-25]

报告