• HMM策略简介与模型构建 [page::0][page::1]

- HMM基于马尔可夫链，假定市场处于有限个隐含状态，通过收益数据估计状态转换概率及状态输出概率。
- 采用Baum-Welch算法对模型参数进行最大似然估计，隐含状态个数设定为3，分别对应市场不同阶段。

- 通过滚动时间窗口（2年窗口，月度移动）训练模型，减少历史数据滞后影响，实现市场快速适应。

• 市场阶段识别与资产选择方法示例 [page::2]

- 三隐含状态分别定义市场上升、下降和平稳阶段，通过计算隐藏状态下资产的平均月收益和夏普比率确定状态性质。
| State | Average Monthly Return | Average Monthly Sharpe | Regime |
|-------|------------------------|------------------------|--------------|
| 1 | -2.2572 | -0.6236 | Falling phase|
| 2 | 2.6337 | 0.9352 | Rising phase |
| 3 | 0.4293 | 0.1529 | Clearance phase |
- 资产若处于上升阶段（夏普比率正），则纳入投资组合，采用等权重投资，并每月再平衡。

• 数据样本与投资组合基准介绍 [page::4]

| 资产类别 | 名称 | 对应ETF/ETN代码 |
|------------------|---------------------|-----------------|
| 股票 | 美国股市 | SPY |
| | 欧洲股市 | IEV |
| | 日本股市 | EWJ |
| | 新兴市场股票 | EEM |
| 债券 | 长期美债 | TLT |
| | 中期美债 | IEF |
| 另类投资 | 美国REITs | IYR |
| | 全球REITs | RWX |
| | 黄金 | GLD |
| | 大宗商品 | DBC |
- 研究中使用了两个样本，分别包含10类资产和22类资产，覆盖股票、债券及另类资产。

• HMM策略与动量策略及传统基准组合表现比较 [page::5][page::6]

- HMM策略收益率高于动量（MOM）和等权（EW）、60/40及均值方差（MV）基准策略。
- HMM组合最大回撤显著小于传统基准，尤其在2008年金融危机中的防御效果突出。
| 组合 | 年化收益(算术) | 年化收益(CAGR) | 年化波动率 | 夏普比率 | 胜率 | 最大回撤 |
|---------|----------------|----------------|------------|----------|-------|-----------|
| 10资产HMM | 8.87% | 8.68% | 10.27% | 0.8449 | 61.69%| 20.92% |
| 10资产MOM | 7.81% | 7.56% | 9.99% | 0.7569 | 62.19%| 18.19% |
- HMM策略资产权重调整更动态，市场下行阶段迅速增持债券，反映较优的市场阶段辨识和应对能力。

• 胜率及信息比率分析 [page::6][page::7]

- 长短期持有期滚动收益分析显示，HMM策略整体胜率高于动量策略。
| 持有期 | 1个月 | 3个月 | 6个月 | 12个月 | 24个月 | 36个月 |
|--------------|-------|-------|-------|--------|--------|--------|
| 10资产HMM(60/40) | 53.7% | 59.8% | 60.2% | 67.4% | 62.9% | 57.2% |
| 10资产MOM(60/40) | 52.2% | 52.3% | 55.1% | 57.9% | 54.5% | 44.6% |
- 信息比率表明HMM策略对信息的利用效率明显优于动量策略。
| 策略 | EW | 60/40 | MV |
|----------|-------|-------|-------|
| 10资产HMM | 0.2249| 0.3002| 0.3375|
| 10资产MOM | 0.0867| 0.1392| 0.1671|

• 资产选择与市场择时能力验证 [page::7][page::8]

- Jensen’s Alpha显示，HMM策略资产选择能力明显优于动量策略。
| 策略 | EW | 60/40 | MV |
|----------|---------|--------|--------|
| 10资产HMM | 6.32% | 5.93% | 4.89% |
| 10资产MOM | 4.89% | 4.24% | 2.70% |
- Fama’s Net Selectivity指标证实HMM策略在资产选择上表现更佳。
| 策略 | EW | 60/40 | MV |
|----------|---------|--------|--------|
| 10资产HMM | 3.66% | 2.47% | 5.03% |
| 10资产MOM | 1.78% | 0.63% | 3.12% |
- Treynor-Mazuy模型进一步揭示，HMM策略不但展现资产选择能力（α正值），而且择时能力（γ正值）明显优于动量策略。
| 策略类别 | α (Alpha) | γ (Gamma, 择时能力) |
|----------|-----------|---------------------|
| 10资产HMM | 正值 | 正值 |
| 10资产MOM | 正值 | 部分情况为负值 |

• 结论与未来展望 [page::8]

- HMM策略在多个维度优于动量策略和传统组合基准，包括收益、风险控制、择时和选股能力。
- HMM策略采用人工智能方法，表明AI投资策略在资产配置领域的潜力。
- 未来研究可将宏观经济变量引入模型，提高模型对复杂市场环境的适应能力，并尝试使用更高频率数据以及深度学习模型如RNN进行优化。

招商定量·琢璞系列 | 基于隐马尔可夫模型的全球资产配置——详尽分析报告

---

一、元数据与报告概览

报告标题： 招商定量·琢璞系列 | 基于隐马尔可夫模型的全球资产配置
作者及发布机构： 招商定量任瞳团队，招商证券
发布日期： 2020年9月17日
主题： 本报告基于文献“Global Asset Allocation Strategy Using a Hidden Markov Model”，重点探讨利用隐马尔可夫模型（HMM）进行全球资产配置的策略效果。通过与传统资产配置方法及动量策略的对比，验证HMM模型在择时和选股能力上的优势，并展望人工智能技术在未来资产配置领域的应用。

核心论点与结论：

• HMM策略和动量策略均优于传统的资产配置方法，表现为更高的平均年收益率和夏普比率，且HMM策略优于动量策略。

- 两种策略均通过降低风险回撤改善业绩表现，尤其在2008年金融危机等下行市场中更为显著。

• HMM策略具备更强的资产择时和选股能力，胜率也更高。

- 论文开创性地将人工智能技术引入资产配置，建议未来探索更高频率数据和深度学习模型（如RNN）。

此报告针对资产配置策略对比研究提供了系统性实证分析与方法论指导。[page::0,8]

---

二、逐节深度解读

1. 报告背景与数据来源

报告首先介绍HMM策略的基本流程：通过学习各类资产ETF的月度收益数据，识别资产的隐含状态（阶段），再依据状态进行资产选择和组合构建，最终形成投资组合并每月进行再平衡（图1）。研究数据涵盖23个代表不同资产类别的ETF，数据由Yahoo Finance获取并通过R语言的“quantmod”包处理。此多资产、多阶段的动态调整框架适合在传统指标缺失或状态难以观测时的资产配置问题中应用。[page::0]

2. 隐马尔可夫模型（HMM）介绍

隐马尔可夫模型是一种基于马尔可夫链的概率模型，核心假设是当前状态仅依赖于前一状态，通过不可直接观测的“隐含状态”驱动资产收益的生成过程。该模型由状态转移矩阵A、输出概率B、初始状态概率π及状态数N组成。报告中模型设定三个隐含状态（隐含市场阶段）。
模型面临的关键技术问题：计算观测值概率、估计最优隐含状态和参数学习，分别采用前向算法、维特比算法和Baum-Welch算法解决。数学公式和流程图（图2）有力支持模型的计算逻辑和参数估计，显示该模型能有效识别隐藏阶段信号。[page::1]

3. 资产阶段识别与组合构建

报告采用两年滚动时间窗口进行模型训练，每月更新模型以适应市场变化（图3）。对隐藏状态计算夏普比率，夏普率正定义为上升阶段，负则为下降阶段。例证以2004-2005年标普500ETF为例，将三个隐藏状态分别定义为下降、上升和平稳阶段，分别对应负、显著正和微弱正的月均收益和夏普率（表1与图4、5）。
基于状态判断，构建等权重投资组合，纳入被识别为处于“上升阶段”的资产，动态适应市场周期，提供了基于统计学习的阶段性资产选取新思路。[page::2]

4. 投资组合绩效评价方法

报告详述四种绩效指标：

• 信息比率(IR)：衡量超额收益对主动风险的利用效率，反映投资经理利用信息创造超额收益的能力。

- Jensen’s Alpha：基于CAPM评价资产选择能力，正值显示风险调整后优于市场。

• Fama’s Net Selectivity：拆分投资组合收益，量化无法通过市场组合获得的超额收益。

- Treynor-Mazuy Measure：区分择时能力和选股能力，正的γ参数代表市场择时能力。

这些指标覆盖主动管理的收益、风险调整表现及择时选股能力，形成多维评价体系。[page::3]

---

三、图表深度解读

图1：HMM策略实施过程

内容描述HMM策略包含训练（HMM Training）、阶段识别（Regime Detection）、资产选择（Asset Selection）、组合构成及投资（Portfolio Composition and Investment）四部分，且每月进行再平衡。该流程系统描绘了策略运作的闭环机制，保证模型动态适应市场变化。[page::0]

图2：前向概率（α）和后向概率（β）

该图展示HMM中动态算法如何计算隐藏状态概率，基于观察序列通过节点间的连线和权重计算概率，核心说明了如何解决模型参数已知情况下观测序列生成概率的问题，进而辅助隐状态的估计和模型训练。此图理清HMM复杂的统计计算流程。[page::1]

图3：滚动时间窗口法

展示滚动窗口训练模式，每个窗口利用前两年数据训练模型，再往后移动一个月重新训练。此方法有效缓解历史数据对模型不适应造成的弊端，支持策略灵活应对市场变化。是建立高频迭代资产配置模型的基础。[page::2]

图4、图5及表1：标普500 ETF隐藏状态识别与阶段划分

• 图4：橙色线为状态序列，蓝色为调整后收盘价，显示隐状态随市场波动的变化。

- 表1统计各状态对应的月平均收益及夏普比率，状态1为下降阶段（负收益和夏普），状态2为上升阶段（高正收益和夏普），状态3为平稳阶段（略正收益及夏普）。
图与数据结合展示HMM有效拆分市场阶段，支持后续资产选择决策。[page::2]

图6、图7：样本资产类别构成

图6列举了10类资产，涵盖美国、欧洲、日本、新兴市场股票，长中期国债，REITs，大宗商品和黄金等；图7扩展为22类资产，更细分小市值、成长股、各类债券及替代投资，极大丰富了资产配置的广度，从而提升模型普适性和鲁棒性。[page::4]

图8至图11：投资组合收益及回撤对比

10资产样本（图8、9）和22资产样本（图10、11）显示HMM策略的累计收益明显优于动量策略及传统基准（等权、60/40和均值方差配置），且在2008年金融危机期间的最大回撤最低，表明HMM策略具备更优的风险控制能力和抗跌性。前后对比图数据详尽，有效证明策略的实证效力。[page::5]

图12：组合统计指标汇总表

详细量化不同策略在两个资产样本下的年化收益率（算术和复合）、波动率、夏普比率、胜率和最大回撤。HMM策略在收益和夏普比率上均领先，且最大回撤显著低于基准组合，充分支持超额收益与风险管理兼顾的论点。值得注意的是HMM策略在不同资产样本中均稳定表现，验证了模型的稳定性和广泛适用性。[page::6]

图13至图16：资产权重变化轨迹（动量策略vs. HMM策略）

四张堆积面积图清晰展示在2004-2018年间，HMM策略相较动量策略表现出更灵敏的风险资产（股票）与防御资产（债券）动态调整能力，特别是在金融危机期间快速增加债券配置，危机后立即提升股票配置，体现了更优的阶段识别和择时能力。此趋势有力佐证策略绩效差异的实质原因。[page::6]

图17：胜率比较表

涵盖不同持有期（1、3、6、12、24、36个月）下HMM策略与动量策略相对基准组合的胜率。整体趋势显示HMM策略胜率普遍高于动量策略，且长持有期表现尤为突出。此结果强调HMM策略对投资回报稳定性的贡献，增强了该策略的吸引力。[page::7]

图18：信息比率（IR）对比

针对10类和22类资产下，HMM策略均呈较高信息比率，表明在风险调整基础上，HMM策略更能有效利用投资信息获取超额收益，尤其明显优于动量策略。IR提升标志着策略的风险管控能力与信息运用效率双重提升。[page::7]

图19、图20及图21：择时选股能力定量测度

• 图19（Jensen’s Alpha）显示HMM较动量策略多出约2%的正Alpha，确认了其更强资产选择能力。

- 图20（Fama’s Net Selectivity）结果与Alpha一致，HMM策略获得的超额选择性收益明显高于动量策略。

• 图21（Treynor-Mazuy模型）进一步分解，揭示HMM策略不仅具备较强选股能力（α正），同时择时能力（γ正）显著优于动量策略，后者部分情形下择时参数为负。

上述三种量化指标确认HMM策略在资产市场中择时选股的双重优势，且数值跨多个基准和样本均具稳健性。[page::7,8]

---

四、估值分析

本文虽未直接涉及企业估值，但通过实证比较不同资产配置策略的风险调整收益和择时能力，间接体现策略“估值”优越性：

• 通过时间动态模型识别资产市场阶段，实现对资产合理配置的“动态估值”。

- 使用滚动窗口训练和多资产再平衡，体现高频的估值更新及风险调整，优于静态的均值方差组合。

• 指标如夏普率、Jensen’s Alpha等既反映期望收益也折射风险调节后估值效率。

此类策略能够弥补传统估值模型忽视市场阶段性波动和投资者行为的不足，为资产定价与配置提供更动态与智能化工具。

---

五、风险因素评估

报告指出以下风险及局限：

• 模型风险： HMM策略基于单资产收益推断隐含阶段，缺少宏观经济等外部变量考虑，可能导致阶段识别欠准。

- 数据频率限制： 目前采用月度数据，缺少对更高频率数据（如每日、分钟）行情反应的测试。

• 市场环境切换风险： 模型参数可能因市场结构变迁失效，导致策略性能下滑。

- 成本假设限制： 交易成本假设较低，实际交易可能因流动性等因素影响策略表现。

报告建议未来引入宏观因素、多因素融合模型、深度学习方法及更高频数据，旨在减缓上述风险并提升模型适用范围。[page::0,8]

---

六、批判性视角与细微差别

• 报告极力推崇HMM策略优于动量以及传统方法，但动量策略的具体参数及实施细节未深度披露，可能存在策略效率差异导致的比较偏颇。

- 模型对市场快速崩盘的适应能力未详尽展开，实际极端情况下风险管理或表现可能受限。

• 虽有滚动窗口动态调整，但模型对突发宏观事件的前瞻预测能力仍有限。

- 资产类别主要为ETF，覆盖面较广但缺乏直接股票选股策略的实证，未来可扩展。

• 报告强调HMM作为人工智能策略代表，未来深度学习应用值得挖掘，但具体实践和挑战尚待明确。

总体上，报告立场稳健、数据充分，但在推广时需理性对待模型局限及外部环境变化。

---

七、结论性综合

本文系统阐述了基于隐马尔可夫模型（HMM）构建的全球资产配置策略，并通过丰富的实证验证了其优越性。通过动态滚动窗口训练，HMM策略能够识别资产所处的市场阶段（下降、上升、平稳），并据此选择处于上升期的资产构建等权组合。与传统资产配置（等权、60/40、均值方差）及动量策略相比，HMM策略实现了：

• 更高的年化收益率和夏普比率，表现在10类资产和22类资产样本中均稳定优于对比策略（图8-11、图12）。

- 明显降低最大回撤，尤其在2008年金融危机期间表现抗跌性强（图9、11）。

• 对市场阶段变化有更灵敏的资产权重调整能力（图13-16），比例调整迅速精细，有效规避风险。

- 胜率及信息比率高于动量策略，表现出更佳的稳健性和信息利用效率（图17、图18）。

• 通过Jensen’s Alpha、Fama’s Net Selectivity和Treynor-Mazuy模型多维度检验，确认HMM策略在资产选择能力和市场择时能力上明显优于动量策略（图19-21）。

此外，报告指出HMM策略开启了以人工智能方法进行资产配置的新时代，具有良好的理论基础与应用前景。未来研究建议结合宏观经济因素、采用更高频数据和深度学习技术以提升模型性能与适应性。

报告结构严谨，图表清晰且数据充分，论据充分支撑结论。通过对隐马尔可夫模型的深度解析及广泛实证验证，报告为智能资产配置提供了有力理论支持与实践指引，是资产管理者和研究者重要的参考资料。[page::0-8]

---

（完）

报告