问任何在华尔街的人，“目前市场状况如何?”你都很可能会获得三个答案中的一个：牛市、熊市或盘整。对一般交易者来说，这些术语粗略地描述了市场的状态。但对于数学上的某个概念，这些术语则精确描述了价格走向。
这个概念是隐马尔可夫模型(HMM)。它是由哈佛大学的数学家Leonard E. Baum博士和他的同事共同提出来的。模型的假设是，市场处于以下五种状态之一——超级熊市、熊市、盘整、牛市或超级牛市——在任意给定的时间，状态之间的转换均服从马尔可夫性质。也就是，转换只与市场前一期状态有关，而与更早期状态无关。转换概率表明了市场是如何在这五个状态之间转换的。
假设市场服从马尔可夫性质，有时被认为是一个好的假设，因为它消除了滞后的问题。当基于过去很久的价格行为进行计算时，由此得到的结论并没有太多价值。回溯的时间越长，价格行为对当前交易决策的有效性越低。
正如我们知道熊市和牛市表现不同，每一个状态也都会根据观测变量呈现出不同的概率分布。观测变量可以是我们关于市场的任何形式的物理量，比如说价格和指标。他们有双重用途，第一，如果我们知道市场处于某种状态，就可以通过状态分布推断出市场下一个可能的状态；第二，观察序列可以用于刻画市场状态。HMMs的假设是市场始终处于五种状态之一，而且转换到另一状态的概率取决于当前的状态：当市场处于牛市状态（wb）时，它有0.15的概率会转换到熊市状态（wu），有0.3的概率转换到盘整状态（r）。
在过去的十年里，隐马尔可夫模型(HMMs)已经悄悄进入对冲基金的武器库。由于他们逻辑合理的建模过程和对马尔科夫性质的精确应用，宽客们已经能够很好地将隐马尔可夫模型(HMMs)用于盈利交易信号的产生。
然而，当要结合下一波交易技术时，隐马尔可夫模型(HMMs)显示出了它的局限性。对冲基金逐渐认识到，想要在这个市场中获胜，仅仅使用一维数据是不够的。多周期交易技术、配对交易以及市场互动分析等都得到深入研究。但是早期的隐马尔可夫模型(HMMs)无法整合这些新想法，因此需要进行扩展以满足这种可能。因此，耦合隐马尔可夫模型(CHMM)出现了。
不同于Baum的原版HMM具有标准的应用数学公式，CHMM是一个新的研究，大概开始于本世纪头十年的中期，还没有一个标准的公式。尽管来自不同大学的研究员给出的CHMMs的公式都不一样，但是他们有一个共同的潜在主题：采用两个HMMs，并通过他们的转移概率进行耦合。
让我们首先给两个HMMs取个名字。HMM1将基于外汇市场建模，而HMM2将基于商品市场建模。HMM1和HMM2共同构成我们的CHMM。正如前面所说，随着时间的推进，每个市场的状态将以一定的概率转换到另一个状态。不似之前的是，这个概率现在同时取决于两个市场的当前状态。这也就是两个市场之间的耦合
在我们模型里提到了两个市场，那么我们就需要跟踪两个观测变量数据，也就是外汇市场和商品市场的价格或指标。我们把两个观测序列输入我们的CHMM，让它们自动重新配置以最佳表示各个市场。
得到的结果是一个具有预测能力的模型，该模型可以预测外汇和商品市场的下一个观测值。在两个HMMs的整个耦合过程中，状态转换仍符合马尔科夫性质。HMMs的优点保留下来，滞后性问题得以处理以及加入另一维度的数据得以实现。宽客们迅速开始探索用资产对建立CHMM。
对我们来说，为了利用CHMM的预测能力，我们最好利用两个高度相关或者高度不相关的资产进行建模。
黄金和瑞士法郎之间的关系让我们选择了这两个市场。一，有人认为，在经济动荡期间，投资者倾向于抛掉美元转而持有黄金，因为黄金具有保值的功能，这意味着这之间存在一种负相关性。二，黄金出售计划后，瑞士国家银行持有1290吨黄金储备，这相当于瑞士20%的资产，因此，瑞士法郎和黄金的价格应该是朝不同的方向运动。这两种关系让我们相信USD/CHF和黄金之间是负相关的；一个价格的上升意味着另一个价格的下跌
现在，我们用USD/CHF和黄金耦合一个CHMM以设计一个交易策略。首先，我们定义可观测量。就是将资产的物理量用于规则以产生交易信号。如果我们交易的是分布的尾部，它将是CCI指标。如果我们顺应趋势，它将是ADX指标。与我们的策略一致，我们把可观测量定义为RSI指标，这样，USD/CHF和黄金的相对强弱就可以用RSIs来刻画。
第二，我们需要构建我们的策略。由于我们的目标是要描述CHMM的特征，我们将使用一个简单的4周期10分钟RSI，当它向上穿越20%（超卖）时做多，当它向下穿越80%（超买）时做空。
我们将使用CHMM预测的USD/CHF的RSI的值而非真实的RSI。当把黄金的RSI纳入考虑范围时，虽然看起来我们需要设定一个过滤条件，但是实际不需要。CHMM理论之美就在于状态转换背后蕴含着这个关系：USD/CHF与黄金的耦合。当把USD/CHF和黄金的4周期RSI数值定期加载进CHMM，它将在每一次加载的时候进行重新配置，计算出最具实际意义的USD/CHF和CHMM之间的关系。任何对USD/CHF的预测都会加入对USD/CHF和黄金相对强弱关系的考虑。
最后，我们设定一个3:1的盈亏比，分别用2倍12周期ATR进行止损，6倍12周期ATR进行止盈。此外，我们首先用固定头寸运行我们的策略，然后采用根据CHMM转换状态的概率乘以固定头寸得到的动态头寸运行策略。基本上，我们对每笔交易的信心与模型预测下一状态的置信度是一致的
评估CHMM策略成功与否，也就是比较基于CHMM的RSI预测值进行交易是否比实际RSI值更具盈利能力。后面将对此进行比较。
为了检验CHMM模型准确预测值的稳健性，我们将利用模型基于另一个指标CCI来进行交易。由于篇幅的原因，我们将不会详细介绍CCI策略，但是它已经使用实际CCI的值在一段测试期间进行优化并取得不错的绩效。然后，我们的目标就是使用预测的CCI值在相同已经获利的策略上进一步提高利润。
我们比较标准RSI和CCI系统与这些不同版本的利用CHMM（用Viterbi算法和non-Viterbi算法进行预测，并分别采用固定头寸和动态头寸）的系统的绩效。测试周期为2013年前四个月的10分钟价格数据。
基于CHMM的RSI和CCI预测值交易取得的绩效优于标准交易系统。绩效差异表现在，应用CHMM的RSI系统将原本亏损4.55%的绩效变为盈利5.5的%。在第一个月，两个系统的绩效表现比较相近，但之后采用CHMM的系统持续获利而标准RSI模型则开始出新亏损。在所有四种情况下，夏普比率均提高到1.690-1.923。
对CCI策略进行比较时，我们发现，在所有四个版本中，绩效均有所提高。标准CCI策略的收益率为0.35%。利用CHMM的版本，收益率为0.36%-0.49%。进一步比较CHMM版本中的固定头寸和动态头寸下的夏普比率，我们可以看到，在RSI策略中夏普比率提高了0.2，在CCI策略中提高了0.03。这些告诉我们，在预测下一状态时，模型中的置信水平同样是具有价值的。
在见证了通过耦合USD/CHF和黄金，CHMM可以提高交易策略的获利能力，我们不禁想知道还有哪些资产可以通过利用CHMM进行耦合从而获利。
如果我们坚持一个原则，那就是耦合资产之间要么是高度相关或不相关，那么CHMM能保持其盈利性。CHMM和HMM背后的原理足够稳健以解码两种资产之间的关系，以及推断出一个市场的转换概率如何影响另一个市场。无论是股票同一板块、利率和指数、日元交叉汇率、外汇和商品、债券和经济指标、或者甚至是宏观与微观价格变动，都很有可能。它归结为资产选择和定义观测变量。CHMM是否可以把三种资产结合在一起？这当然可以。
----------------------------------------------
推荐阅读：
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
