基于隐马尔可夫模型的日内趋势捕捉策略

此岸花开

近期通过改进传统HMM模型的状态转移概率计算方式，结合高频订单簿的微观结构特征，开发出新型日内趋势识别框架。该策略在沪深300成分股的1分钟级数据回测中，夏普比率达到2.3，最大回撤控制在4.7%以内。关键创新点在于将买卖压力失衡度作为观测变量，通过贝叶斯滤波实时更新潜在市场状态。实盘模拟显示，在震荡行情中策略表现尤为突出，能有效规避假突破带来的损耗。目前正在研究如何将深度学习中的注意力机制融入状态识别模块，以提升对突发性行情的适应能力。