本文以 Leonard E. Baum 等人提出的隐马尔可夫模型（HMM）为理论基础，基于历史会重演的理论假设，在识别当前行业所处状态的基础上，通过计算当前行业所处状态序列与历史中该行业未来出现显著上涨或下跌时所有状态序列的平均相似度，以此预测当前行业未来的上涨概率，进而构建行业轮动策略。

隐马尔可夫模型：隐马尔可夫模型由初始状态概率向量𝜋、状态转移矩阵𝐴和观测概率矩阵𝐵决定。𝜋和𝐴决定状态序列，𝐵决定观测序列。在隐马尔可夫模型中针对观测变量、隐藏状态以及两者之间的关系可以产生三个典型问题：概率计算问题、学习问题、预测问题。

样本内收益稳定：2022 年费后超额收益超过 7%、2023 年费后超额收益超过 9%，最大回撤分别为 3.50%、3.40%。从胜率来看，2022 年胜率为66.67%，而 2023 年胜率更是高达 91.67%，全年 12 个月份，只有一个月跑输 30 个中信一级行业平均收益；2022 年和 2023 年的超额收益年化波动均低于 6%，表现不错。

样本外收益持续：从 2024 年前 8 个月的超额收益来看，费后累计超额收益为 10.75%，年化超额收益为 16.54%，显著高于样本内。样本外最大回撤仅为 2.8%，比样本内低接近 1%；同时样本外的月盈亏比为 1.91，该数据也显著优于样本内。

样本外 Top 行业实际收益排名靠前：2024 年前 8 个月中有 5 个月的平均名次在前 15.5 名以内，其中 1 月以及 6 月的平均名次更是位于前 10名。此外前 8 个月中第 1 名出现 4 次，前 3 名共计出现 8 次，前 5 名共计出现 13 次，前 10 名共计出现 20 次，前 15 名则共计出现 28 次，相对于总样本数量占比 58%，接近五分之三。

2024 年 9 月份 Top 行业：基于隐马尔可夫算法行业轮动模型所选择的Top 行业为石油石化、煤炭、家电、非银行金融、通信以及综合金融等六个行业。

风险提示：报告中所涉及测算均基于历史数据，未来市场可能发生变化，历史会惊人相似，但并不会简单重复；由于金融市场数据不一定完全服从正态分布，可能影响隐马尔可夫模型的准确性，进而对当前行业所处状态做出误判，不利于模型对行业未来上涨概率进行预测，最终影响行业轮动模型效果。

目录

1 前言 .......... 1

2 时间序列建模方法概述 .......... 1

2.1 其他时间序列模型——GARCH 模型 .......... 1

2.2 隐马尔可夫模型原理 .......... 2

2.3 隐马尔可夫模型示例 .......... 3

3 基于隐马尔可夫模型行业轮动策略回测框架.......... 5

3.1 样本区间选择 .......... 5

3.2 模型回测逻辑及框架 .......... 5

3.3 模型回测逻辑的几点思考 .......... 6

3.3.1 形态特征代理变量的选择 .......... 6

3.3.2 特征的标准化 .......... 7

3.3.3 上行、下行形态的划分 .......... 8

3.3.4 状态序列相似度计算采样窗口长度 .......... 8

3.3.5 状态序列相似度计算逻辑 .......... 8

4 基于隐马尔可夫算法行业轮动模型回测表现.......... 9

4.1 样本内回测 .......... 9

4.1.1 模型参数选择 .......... 9

4.1.2 优选参数下样本内表现 .......... 13

4.2 样本外检验 .......... 15

5 总结和展望 .......... 19

5.1 本文总结 .......... 19

5.2 未来展望 .......... 19

6 风险提示 .......... 20

因篇幅限制，仅展示部分，更多重要内容、核心观点，请下载报告。