核心观点 - 报告开发了一套量化算法用于识别上证指数的趋势与震荡状态，并基于机器学习模型预测市场状态，构建动态仓位管理策略，在2020-2025年回测期内决策树模型驱动的策略实现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 [2][46][70][74] 市场状态划分方法 - 市场状态分为趋势和震荡两种，趋势状态下适用动量策略（追涨杀跌），震荡状态下适用均值回归策略（低买高卖），正确识别状态对择时和选股至关重要 [6] - 采用两阶段算法划分历史状态：第一阶段使用Zig-Zag算法（转折阈值10%、最小年化收益20%、持续时间63天）初步识别趋势波段，第二阶段通过断点修正（Binseg算法）将趋势衰竭段重新标记为震荡，提升标签准确性 [8][9][10] - 算法应用于2015年以来上证指数数据，有效复现市场参与者认知，例如2018年熊市被准确识别为趋势状态 [11][12] 回测与数据设置 - 回测区间为2020年1月2日至2025年8月29日（共1373天），训练集占前70%（961天），测试集占后30%（412天），因2020年后市场切换频繁、波动减弱，需针对性建模 [13] 特征变量构建 - 从价格、成交量、波动率维度构建6个特征变量，均通过训练集参数优化： - **价格维度**：Feature_MA_1030（MA10持续40天高于/低于MA30，准确度58.58%）、Feature_MA_0510（MA5持续20天高于/低于MA10，准确度53.80%）、Feature_price_120（120天价格斜率绝对值超过去一年80%分位数时标记震荡，准确度60.25%） [16][17][18][19] - **成交量维度**：Feature_Volume（昨日成交量超过去一年70%分位数时标记震荡，准确度63.48%） [20] - **波动率维度**：Feature_Volatility_past（过去20天布林带宽度均值超过去一年80%分位数时标记震荡，准确度55.78%）、Feature_Squeeze_Breakout（布林带宽度小于过去一年中位数且30天内突破尝试＞1次时标记趋势，准确度57.54%） [21][22][23][24][25] - 单个特征在测试集准确度均提升，其中Feature_Volume达75.24% [26][27] 模型训练与评估 - 等权模型（六特征简单平均）测试集准确度82.04%，20日平滑后提升至88.59% [27][30] - 逻辑回归模型赋予特征权重：Feature_MA_1030（1.70）、Feature_price_120（1.46）、Feature_MA_0510（1.26）为核心变量，测试集准确度83.25%，平滑后83.50% [31][32][33][38] - 决策树模型通过变量交互判断状态：优先检查成交量异常→高波动状态→均线排列→长期斜率，测试集准确度80.10%，平滑后83.98% [39][41][42][44] - 所有平滑后模型测试集准确度均超80%，等权模型最高（88.59%），逻辑回归模型泛化能力最强 [44][45] 策略验证与表现 - 策略框架：基础仓位50%，每周三调仓，趋势状态下收益＞0时每涨1%加仓0.1、收益＜0时每跌1%减仓0.1，震荡状态下执行反向操作，仓位限制在0-100% [47][49] - 人工标注信号策略在回测期内总收益61.62%，年化波动率9.35%，最大回撤-9.18%，夏普比率0.99，显著优于基准（总收益14.68%，夏普比率0.30） [48][50][56] - 等权信号策略总收益31.54%，但超额收益不稳定，2022-2024年多次跑输基准，最大回撤-30.72% [57][63] - 逻辑回归信号策略总收益40.62%，年化波动率9.34%，最大回撤-13.06%，夏普比率0.69，在2022年和2024年下跌中有效控险 [64][70] - 决策树信号策略表现最优：总收益77.20%，年化波动率9.88%，最大回撤-9.18%，夏普比率1.12，在2022年和2024年下跌时仓位降至零规避回撤 [70][74] 研究总结 - 决策树模型驱动的策略通过状态识别与动态仓位管理实现卓越风险收益比，其表现甚至优于使用"完美"标签的策略，表明信号与策略适配性至关重要 [74][75] - 未来研究方向可分离宏观状态战略信号与短期战术信号，结合后可能进一步提升策略表现 [75]