第 12 课：市场状态识别（Regime Detection）

目标：让系统知道"现在是什么市场"，才能选择正确的策略。

一个典型场景（示意）

注：以下为合成示例，用于说明常见现象；数字为示意，不对应任何具体机构/产品。

2021 年初，一家量化基金同时运行两套策略：趋势跟随和均值回归。两套策略在各自擅长的市场里都表现优秀。

问题是，他们用的是固定权重——各 50%。

结果：

• 趋势市里，趋势策略赚 20%，均值回归亏 15%，净赚 2.5%
• 震荡市里，均值回归赚 15%，趋势策略亏 20%，净亏 2.5%
• 全年下来，两边互相抵消，收益接近零

他们的竞争对手呢？同样两套策略，但加了一个Regime Detection 模块：

• 趋势市里，趋势策略权重 80%，均值回归 20%
• 震荡市里，反过来

结果：全年收益 18%，夏普比率 1.6。

差距在哪？ 不是策略本身，而是知道什么时候用什么策略。这就是市场状态识别的价值——它是多智能体系统的"路由器"。

12.1 什么是市场状态（Regime）

三种基本状态

市场在任何时刻都处于某种"状态"，虽然状态之间没有清晰边界，但可以粗略分为：

为什么识别状态这么难？

纸上练习：识别历史状态

看下面这组数据，判断每个时期的市场状态：

12.2 Regime 检测的四种方法

方法对比

方法一：规则法（最实用）

用技术指标的阈值组合来判断状态：

纸上练习：设计你的规则

给定以下市场数据，用上面的规则判断状态：

方法二：隐马尔可夫模型（HMM）

HMM 假设市场在几个隐藏状态之间切换，我们只能观察到价格，但看不到真实状态。

HMM 的核心输出：

• 状态概率：当前处于每个状态的概率（如：趋势 60%、震荡 30%、危机 10%）
• 转移概率：从一个状态切换到另一个状态的概率

纸上练习：理解状态概率

HMM 输出当前状态概率为：趋势 55%、震荡 35%、危机 10%

关键洞察：状态概率不应该直接用作策略权重，需要根据风险偏好调整。

# 注意：以下为示意代码，展示 HMM 的基本用法
# 需要安装 hmmlearn: pip install hmmlearn

import numpy as np
from hmmlearn import hmm

class RegimeDetector:
    """基于 HMM 的市场状态检测器"""

    def __init__(self, n_states: int = 3):
        self.n_states = n_states
        self.model = hmm.GaussianHMM(
            n_components=n_states,
            covariance_type="full",
            n_iter=100
        )

    def fit(self, features: np.ndarray):
        """
        训练 HMM 模型

        features: shape (n_samples, n_features)
                  通常包括：收益率、波动率、ADX 等
        """
        self.model.fit(features)
        return self

    def predict_proba(self, features: np.ndarray) -> np.ndarray:
        """
        预测当前状态概率

        返回: shape (n_states,) 的概率分布
        """
        # 获取后验概率
        posteriors = self.model.predict_proba(features)
        return posteriors[-1]  # 最新时刻的概率

    def get_regime(self, features: np.ndarray, threshold: float = 0.5) -> str:
        """
        获取当前状态（带置信度阈值）
        """
        probs = self.predict_proba(features)
        max_prob = np.max(probs)
        max_state = np.argmax(probs)

        if max_prob < threshold:
            return "uncertain"

        state_names = ["trending", "mean_reverting", "crisis"]
        return state_names[max_state]

方法三：波动率聚类（实用变体）

一个简化但实用的方法是只看波动率的状态：

为什么波动率如此重要？

• 波动率是市场"体温"，能快速反映市场健康状态
• 波动率有聚集效应（高波动后往往还是高波动）
• 波动率比收益率更容易预测

12.3 Regime 检测的评估

识别状态不是目的，目的是提升策略收益。所以评估 Regime 检测的标准不是"准确率"，而是"有没有帮策略赚更多钱"。

评估框架

纸上练习：计算 Regime 检测的价值

场景：你的 Regime 检测模块在过去一年的表现：

策略表现对比：

问题：

1. Regime 检测的净增值是多少？
2. 如果误切换率降到 10%，预期收益会如何变化？
3. 切换成本太高怎么办？

切换滞后的代价

结论：宁可有一些误判，也不要滞后太多。特别是危机检测必须快。

12.4 常见误区

误区一：Regime Detection 准确率越高越好

不完全对。评估 Regime 检测的标准不是"准确率"，而是"有没有帮策略赚更多钱"。准确率 80% 但切换成本吃掉收益，不如准确率 60% 但切换少。

误区二：趋势/震荡是二元判断

现实中大部分时间市场处于"灰色地带"。强行二元判断会导致频繁误切换。正确做法：用概率加权（趋势 60%/震荡 40%）或承认"过渡期"。

误区三：检测到状态变化就立即切换策略

危险做法。切换本身有成本（交易成本、滑点），频繁切换可能亏掉所有收益。正确做法：确认延迟（状态连续 N 天）+ 渐进切换（50%→70%→90%）。

误区四：危机检测可以"等确认"

危机检测必须快。等你确认时，可能已经亏了 20%。宁可误判为危机（少赚），也不要漏判（巨亏）。

12.5 过渡期处理

现实中最难处理的不是明确的趋势或震荡，而是过渡期——状态正在切换，但还不确定。

过渡期的特征

过渡期策略

推荐：对于大多数投资者，策略 3（风险优先） 是最稳妥的选择。过渡期往往是风险最高的时期。

12.5 多智能体视角

在多智能体架构中，Regime Detection 是Meta Agent 的核心能力。

架构设计

Regime Agent 的职责

与其他 Agent 的协作

✅ 验收标准

完成本课后，用以下标准检验学习效果：

综合练习

设计你的 Regime 检测系统：

1. 选择检测方法（规则法/HMM/其他）并说明理由
2. 定义输入特征和阈值
3. 设计过渡期处理策略
4. 设定切换确认条件（防止过度切换）
5. 定义评估指标

本课交付物

完成本课后，你将获得：

1. Regime 检测的设计框架 - 从方法选择到评估指标的完整思路
2. 规则法的实用模板 - 可直接使用的 ADX/波动率/相关性判断规则
3. 评估 Regime 检测价值的方法 - 净增值 = 收益提升 - 切换成本
4. 过渡期处理策略 - 三种方案及其适用场景

本课要点回顾

• 理解市场状态（Regime）的概念及其对策略选择的影响
• 掌握四种 Regime 检测方法：规则法、统计法、ML、HMM
• 理解 Regime 检测的评估不是"准确率"而是"经济价值"
• 掌握过渡期的处理策略

延伸阅读

• 第 05 课：经典策略范式 - 不同状态对应的策略
• 第 11 课：为什么需要多智能体 - Regime 检测在多智能体中的角色
• 背景知识：历史著名量化事故 - 未能识别危机状态的后果

下一课预告

第 13 课：Regime 误判与系统性崩溃模式

Regime Detection 是多智能体系统的核心，但它会犯错——误判、滞后、边界震荡。下一课我们深入分析 Regime 检测的五种失败模式，以及如何设计降级策略防止系统性崩溃。