标签： #状态切换

隐马尔可夫模型（HMM）号称能「让数据自己说话」、自动识别市场状态——但这个「自动」里藏着两个致命陷阱：look-ahead 污染的 Viterbi 全样本解码让准确率看起来很漂亮（80%+），一旦剥掉未来信息、换成因果 Filtering，准确率直接跌回随机水平（≈11%）；而即便模型「猜对了」，状态切换的平均识别滞后高达 99.5 天，熊市开始时中位数滞后 217.5 天——等模型翻多，熊市已经走了大半年。本文用 5000 天受控仿真（真实状态序列已知）+ 纯 numpy 从零实现 Baum-Welch / Viterbi / Forward Filtering，实证揭露：HMM 在高信噪比仿真中仍无法可靠检测状态（准确率 11%），但基于估计状态的顺势配置仍跑出 Sharpe 1.04 vs B&H 0.74 的超额收益——这部分 alpha 来自状态持续性本身，而非状态预测；零状态安慰剂（HMM 喂给 i.i.d. 收益）跑出 Sharpe 119 的「虚假繁荣」，是所有 regime 研究最需要警惕的自欺；K=3 在本数据上最优，但 K=6 的 OOS Sharpe 更高，说明状态数选择本身就是一个过拟合维度（中阶→高阶）。

凯利公式给出理论最优杠杆，但它假设赔率恒定——市场偏偏在牛熊两套参数间来回切。本文用纯 numpy 合成两状态市场（转移矩阵 P、牛市 μ=+0.09%/σ=0.9%、熊市 μ=-0.16%/σ=2.4%），先用 HMM 前向算法在线滤出熊市后验概率（识别准确率 95%），再把凯利分数按后验期望在牛熊之间加权收放。回测对决：固定半凯利与买入持有几乎重叠（总收益 25%、Sharpe 0.24、最大回撤 -64%），而状态切换凯利总收益 77%、Sharpe 0.52、最大回撤压到 -32%——收益翻三倍、回撤砍半，核心不是预测方向而是在熊市把杠杆主动收回甚至反手。全文诚实拆穿：凯利分数对参数估计误差极度敏感（牛市理论 f*=11 必须靠半凯利+CAP 硬压）、在线滤波天然滞后（状态切换后要几天才反应，切点附近必吃亏）、状态数与转移矩阵是先验强假设、样本外真实市场没有干净的两状态结构四类陷阱（中高阶）。

TAR 的硬门限意味着 y 从 −0.0001 变到 +0.0001 时模型系数瞬间跳变——市场哪有这么听话的开关。STAR 用逻辑过渡函数 G(γ,c) 把两套 AR 系数连续混合：γ 大是硬切换（退化成 TAR），γ 小是渐变，让数据自己决定边界的软硬。纯 numpy 实现 LSTAR 网格估计（γ×c 双重网格+内层 OLS）：合成 LSTAR 数据上估出 γ̂=2.5（软边界），RSS 比线性 AR 低 4.4%，比硬 TAR 再低 0.015%。真正的红利在仓位端：G 函数天然输出 0~1 连续状态权重，软仓位择时样本外 Sharpe 4.95 vs 硬 0/1 仓位 4.19，最大回撤 −5.2% vs −10.0%，平均仓位仅 53%。诚实翻车：γ 与 c 联合估计病态（γ 大时似然面平坦），本实验训练集就把 γ=2.5 估成了 6；γ 不可识别时 Luukkonen LM 检验才是正解；软仓位的换手成本被本文忽略。拆穿 STAR 一定优于 TAR/γ 可以精确估计/软边界=模糊无用等陷阱（中阶）。

线性 AR 假设涨跌反应对称——但市场明显不是：下跌后反转快、上涨后延续慢。TAR/SETAR 用一个门限把状态空间切成两段，每段各配一套 AR 系数，让『昨天涨还是跌』决定今天用哪个模型。纯 numpy 实现网格搜索门限估计：合成 SETAR 数据上，下状态斜率 −0.20（均值回归）、上状态 +0.36（动量延续），线性 AR 只能给出一条『平均直线』全部拟丢，SETAR 把 RSS 压低 3.4%。样本外择时回测：TAR 择时 Sharpe 4.69 vs 线性 AR 4.19 vs 买入持有 4.46，最大回撤从 −7.6% 收窄到 −6.1%，仓位暴露仅 87.8%。诚实翻车：门限估计的抽样误差不小（真值 0 估出 −0.0034）；Hansen 检验下门限参数不可识别导致标准推断失效；两段样本量不平衡时小状态系数噪声大。拆穿门限=拐点万能/RSS 降幅小=无用/TAR 一定赢线性等陷阱（中阶）。