标签： #隐马尔可夫模型

限价单簿不是一直一个样——平静时价差薄、成交稀疏，受压时（ toxic flow、挤兑、闪崩前）订单流失衡、价差瞬间拉开。这个『状态切换』恰恰是马尔可夫的：今天的状态只取决于上一刻。本文用 numpy 从零实现 2 状态高斯 HMM（缩放 Baum-Welch EM + Viterbi 解码），在 1500 步合成盘口数据上把隐藏状态恢复出来，Viterbi 解码准确率 99.4%、转移矩阵 [[0.99,0.01],[0.055,0.945]] 几乎还原真值；并把状态后验概率接到一个做市商策略上——受压时减仓+加宽价差，库存风险（σ）从 50.3 砍到 19.6（−61%）、最大回撤从 −22.4% 收到 −8.6%（−62%）。附完整 Python 与四张真实仿真图。

做市商赚的是买卖价差，赔的是库存积压后价格反向跑掉。市场状态（平静/高波动）不可直接观测，但订单到达与瞬时波动会泄漏线索。本文把 HMM 前向滤波与 POMDP 库存控制结合：用隐藏 regime 信念动态调整 spread，并用库存 skew 把头寸压回零。在 2000 步合成仿真中，HMM+POMDP 策略的库存标准差比固定 spread 策略低 81.5%（4.1 vs 22.3），最终盯市 PnL 为 +1030 对 -2840，最大回撤仅 42 对 3775。附完整 numpy 仿真代码与四张真实计算图。

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）。

市场牛熊不是开关而是隐状态。HMM+Baum-Welch EM 估参数、前向-后向算平滑后验 P(牛|全部观测)；后验>0.5 满仓否则空仓：合成回撤 −47%→−9.3%、Sharpe 0.22→0.99，附 Python 与六类陷阱（高阶）。

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。