标签： #市场状态

牛/熊/震荡这种市场状态，硬切成几类是丢了信息的——真实市场是在连续光谱上滑动的。变分自编码器（VAE）能把一个高维市场微观状态向量压缩进低维隐空间，训练后从中挑一个维度，就得到一条平滑、可解释的『连续市场状态曲线』。本文用纯 numpy 从零实现 VAE（含手写重参数化反向），在受控数据上证明：隐变量与真值 regime 的 1-NN 验证相关达 -0.82、与趋势/波动率原始维度的相关分别 -0.78/-0.75，重建 MSE 仅 0.52，且 β 权衡可调节隐空间的规整度。附完整 Python 与四张真实计算图。

单一全球因子模型默认「一套权重解释所有市场」，但牛市、危机、低波动期的因子暴露本就不同。本文用 MoE（Mixture of Experts）把组合拆成 K 个线性专家 + 一个门控网络：门控依据可观测的市场状态变量稀疏激活对应专家。在含状态切换的合成数据上，MoE 测试 MSE 为 0.042，远低于单一全局模型的 18.493（降低约 100%），且门控热图证明它确实学到了 market state。附完整 numpy 与四张真实计算图。

排列熵（PE）的经典用法是「用一个数区分正弦/混沌/噪声」。但真正在量化里值钱的是把它做成实时状态监测器：滑动窗 PE + 模式转移矩阵 + 加权 PE（WPE），能在有序趋势市和无序震荡/危机市之间划出清晰边界。本文从零实现序数模式映射、PE、WPE 与转移矩阵，在「有序-无序」交替合成行情上以 97.6% 正确率识别 regime，并诚实拆穿「PE 量的是结构不是波动」这条最容易被误解的边界（中阶）。

Peters 的分形市场假说用一个 1951 年水利工程师 Hurst 发明的指标，把「市场有没有记忆」量化成一个数 H：H=0.5 是随机游走(无记忆)、H>0.5 是趋势型(涨了更可能接着涨)、H<0.5 是均值回复型(涨了更可能回落)。本文从 R/S 重标极差讲起，用 Davies-Harte 生成分数高斯噪声，演示三类序列 H 的干净分离(趋势 0.73 / 随机 0.44 / 回复 0.39)、R/S 的 log-log 拟合，以及把滚动 Hurst 做成 regime 检测器——它在合成三段市(趋势→回复→随机)里把三个状态识别得清清楚楚(滚动中位数 0.68/0.29/0.62)，再谈经典 R/S 的有限样本偏差和六类真实陷阱(中阶)。

市场不是一条平稳的随机游走，而是牛、熊、高波动三段「性格」轮流登场。本文从零实现高斯 HMM（Baum-Welch EM + Viterbi 解码），把日收益切成可解释的隐藏状态，给出每个状态的均值/波动/转移矩阵，并诚实列出标签切换、只能描述不能预测等真实陷阱。