核心观点 - 报告提出了一种基于机器学习模型识别市场趋势与震荡状态的量化择时策略 通过动态切换动量与均值回归逻辑实现超额收益 其中决策树模型驱动的策略在2020-2025年回测期内取得77.20%总回报和1.12夏普比率 显著优于基准的14.68%总回报和0.30夏普比率 [4][82][83] 市场状态划分方法 - 采用两阶段分层诊断算法划分市场状态：第一阶段使用Zig-Zag算法识别价格转折点（转折阈值10% 最小年化收益20% 时长63天） 第二阶段通过二分法算法检测趋势内部断点并修正标签 将"先涨后盘"或"先跌后缓"波段标记为震荡 [9][11][12] - 划分方法应用于2015年以来上证指数数据 能够客观复现市场参与者对趋势和震荡的普遍认知 例如2018年持续熊市被准确识别为趋势状态 [12][13] 特征变量构建 - 从价格、成交量、波动率三个维度构建6个特征变量：Feature_MA_1030（40天持续确认参数 训练集准确度58.58%） Feature_MA_0510（20天持续确认参数 训练集准确度53.80%） Feature_price_120（120天斜率80%分位数参数 训练集准确度60.25%） Feature_Volume（成交量70%分位数参数 训练集准确度63.48%） Feature_Volatility_past（布林带宽度80%分位数参数 训练集准确度55.78%） Feature_Squeeze_Breakout（30天突破尝试参数 训练集准确度57.54%） [19][20][23][24][27][29] - 单个特征指标在测试集准确度均显著提升 其中Feature_Volume达到75.24% Feature_Volatility_past达到67.96% Feature_Squeeze_Breakout达到69.90% [31] 机器学习模型训练 - 等权模型测试集准确率82.04% 经20日平滑后提升至88.59% 逻辑回归模型测试集准确率83.25%（平滑后83.50%） 决策树模型测试集准确率80.10%（平滑后83.98%） [35][38][47][51] - 逻辑回归模型中Feature_MA_1030权重最高（系数1.70） 决策树模型判断逻辑以成交量异常为首要分支 结合高波动状态和均线排列关系进行状态判别 [36][46] 策略框架与回测表现 - 策略采用动态仓位管理：趋势状态下执行动量逻辑（上涨1%加仓0.1） 震荡状态下执行均值回归逻辑（下跌1%加仓0.1） 每周三调仓且仓位限制在0-100% [53][54] - 决策树信号策略总回报77.20% 年化收益11.07% 最大回撤-9.18% 夏普比率1.12 IC达1.3 逻辑回归信号策略总回报40.62% 最大回撤-13.06% 等权信号策略总回报31.54% 最大回撤-30.72% [63][77][82] - 策略在2022年和2024年市场下跌期间成功指导仓位降至零 规避主要回撤风险 [77][82] 模型比较与策略适配性 - 决策树模型策略表现超越使用"完美"标签信号策略（总收益61.62%） 表明信号与策略存在适配性 长期战略信号与短期战术信号具备不同价值 [56][83] - 纯粹动量策略与纯粹反转策略长期跑输基准 证明单一固定策略在复杂市场中难以取得成功 [54]