开篇

2026年7月9日，两家券商几乎同时发布了重磅量化研报：

• 中邮证券《市场脉搏（2）：基于LSTM-GHMM混合方案的量化择时与动态仓位管理》
• 金融街证券《宏观风险平价策略系列（一）：宏观状态识别与周期定位——构建宏观高频因子体系》

一个来自主打量化的中型券商团队（中邮黄子崟），一个来自北京金融街的新锐研究力量。有趣的是，两者都选择在市场状态识别这个技术路线上发力，却走了完全不同的工程路径——一个用生成式隐变量模型（GHMM），一个用宏观高频因子显式分类。

两篇都没有给出具体的Python回测代码，但策略框架足够清晰，可以独立工程化复现。本文从量化工程视角拆解两者的核心逻辑、数据依赖、工程落地难度和互补性。

---

一、中邮证券市场脉搏2.0：从离散HMM到连续LSTM-GHMM

1.1 为什么从HMM升级？

2025年8月，中邮发布了市场脉搏1.0版本，核心框架是隐马尔可夫模型（HMM）+ 动态调制：

• 观测层：市场价量指标
• 隐状态层：4种不可观测的市场状态（趋势上涨/震荡上涨/震荡下跌/趋势下跌）
• 调制层：宏观经济脉冲（PMI+信贷脉冲）+ 资金情绪（恐慌指数+融资盘+ETF流向+散户情绪）

1.0版本的痛点在于：

1. HMM的离散观测假设：传统HMM要求观测变量服从离散概率分布，对连续的量价指标需要先做离散化，信息损失大
2. 状态边界硬切换：4个状态之间的切换是离散跳变，现实市场往往是渐变过渡
3. 特征维度受限：HMM处理高维连续特征的能力有限

1.2 2.0升级：LSTM编码器 + GHMM混合架构

2.0版本的核心创新是用LSTM取代手工特征构造，用GHMM取代离散HMM：

原始量价数据 → LSTM编码器(降维+时序特征) → GHMM(高斯隐马尔可夫) → 动态仓位(凯利公式)

LSTM编码器的作用：

• 将高维量价序列（开高低收、成交量、换手率等）压缩为低维连续隐特征
• LSTM天然捕获市场时序依赖（记忆最近的量价形态）
• 训练方式：自编码器风格，LSTM编码→解码重建，重建损失监督

GHMM（高斯隐马尔可夫模型）的提升：

• 观测变量从离散符号变为连续高斯分布
• 模型发现5个隐藏状态（其中4个高自维持概率的稳态，1个低自维持概率的过渡状态）
• 这意味着：市场大部分时间运行在稳定状态中，状态切换通常经过一个专门的过渡态，而非稳态间的直接跳跃——非常符合A股的实际盘感

1.3 工程落地路径

环节	技术栈	数据依赖	难度
特征编码	PyTorch LSTM (2-3层, hidden=64)	ETF/指数日线OHLCV	⭐⭐
状态识别	hmmlearn GaussianHMM	同上	⭐
动态仓位	凯利公式	状态历史回测	⭐
状态切换检测	GHMM转移概率矩阵	模型输出	⭐

本地DuckDB可复现性：✅ 完全可复现。ETF日线和指数数据已有。只需要：

1. 构造价量特征矩阵（log收益率、振幅、换手率、成交额变化率等）
2. 训练LSTM自编码器（3-5个epoch就够）
3. 将编码后的隐特征输入GaussianHMM（n_components=6~8，留一个过渡态）
4. 从维特比解码提取每日状态，状态映射为多空信号

---

二、金融街宏观风险平价策略：宏观高频因子体系

2.1 核心设计理念

金融街的策略框架是一个三层宏观配置体系：

战略层(信贷/GDP缺口+房价) → 战术层(RECI+FCI八象限) → 执行层(风险平价分配)

战略层聚焦金融长周期：

• 信贷/GDP缺口：度量信用扩张/收缩程度
• 房地产价格指标：锚定长期定价中枢与风险偏好
• 目标：识别系统性风险的积聚与释放

战术层是核心创新：实体经济周期指数（RECI）与金融条件指数（FCI）的八象限组合：

• RECI上行/下行 × FCI（宽松/紧缩 + 边际变化） = 8种状态
• 每种状态对应不同的资产配置偏好
• 高频指数构建：用周度/旬度宏观数据（PMI、社融、工业增加值频次等）

执行层：在每个状态内用风险平价模型分配股/债/商品权重

2.2 工程落地路径

环节	技术栈	数据依赖	难度
宏观数据采集	akshare/东方财富API	PMI、社融、M2、工业增加值、CPI	⭐⭐
RECI构建	PCA降维+滚动回归	上述宏观指标+滞后处理	⭐⭐⭐
FCI构建	同理	利率、汇率、信用利差、波动率	⭐⭐⭐
八象限状态	阈值分类	RECI/FCI均值+1σ	⭐
风险平价	skfolio RiskBudgeting	资产收益率数据	⭐

本地DuckDB可复现性：⚠️ 部分可行。宏观指标不在现有DuckDB中，需要从akshare东方财富宏观数据接口拉取。但资产价格数据（沪深300/中债/商品ETF）可以直接用。

2.3 与现有系统的对比

金融街这套框架和我们当前运行的ETF组合优化系统有直接互补：

维度	当前ETF动量轮动	金融街宏观风险平价
信号源	价格动量	宏观高频因子
组合方式	Top-1全仓	风险平价多资产
调仓频率	每日	月频/旬频
适用场景	趋势市	震荡/切换市
数据依赖	OHLCV	宏观指标+资产价格

如果把宏观状态识别（金融街）作为ETF动量选股的开关过滤器，可能产生更好的风险调整收益——在市场下行状态降低动量暴露，在扩张状态全仓动量。

---

三、两篇研报的工程化互补性

3.1 方法论对比

维度	中邮LSTM-GHMM	金融街宏观风险平价
思想源头	隐变量模型	显式宏观因子
状态数量	5个(4稳态+1过渡)	8个(RECI×FCI)
状态解释性	需事后解读量价形态	宏观含义直观
高频适应性	⭐⭐⭐ 日频	⭐⭐ 周/旬频
可回测性	⭐⭐⭐ 直接可用	⭐⭐ 需补宏观数据
模型复杂度	⭐⭐⭐ LSTM+GHMM	⭐⭐⭐⭐ 多指数构建

3.2 融合思路

一个可行的工程化融合方案：

LSTM-GHMM状态(J日频) → 宏观状态校验(金融街周频) → 双确认信号 → skfolio风险平价

1. LSTM-GHMM每日输出5种市场状态（中邮）
2. 金融街宏观因子每周校验方向（防止LSTM过拟合短期噪音）
3. 当两者指向一致时启用动量轮动
4. 不一致时降仓至防御仓位

这恰好是我们今天早些时候完成的三个原型（QSW优化器 + skfolio Pipeline + 多信号检索）的上层应用场景。

---

四、与已有复现策略的关联

最近完成复现的6篇金工研报中，国盛择时雷达六面图（21维框架简化版）和中邮LSTM-GHMM有直接对比价值：

国盛择时雷达六面图 vs 中邮LSTM-GHMM：

维度	国盛择时雷达	中邮LSTM-GHMM
框架	21维多信号评分	隐变量+深度学习
状态定义	显式规则（超买/超卖等）	隐式学习
输出	多空信号	5种状态+仓位
复现难度	低（规则清晰）	中（需训练LSTM）
数据依赖	现有DuckDB全可用	现有DuckDB全可用

择时雷达21维规则的显式框架让复现变得简单（L6.Signal每个维度有明确的公式），但LSTM-GHMM的隐式框架理论上能捕获规则难以描述的非线性模式。

---

五、局限性与思考

中邮LSTM-GHMM的局限

1. LSTM训练稳定性：日频数据的信噪比极低，LSTM编码器学到的是真正的市场结构还是噪音的偶然模式？需要严格的样本外检验
2. 状态数量选择：5个状态（4稳态+1过渡）是模型自动发现的还是调参的结果？过度状态是否在所有时间段都稳定出现？
3. 过渡态的交易含义：当市场处于过渡态时不持仓？还是减仓？GHMM转移概率矩阵的过渡态自维持概率低，意味着它在某个状态停留很短时间，这对交易执行提出了挑战（可能刚减仓就回到稳态）

金融街宏观风险平价的局限

1. 宏观数据频次受限：PMI月频、社融月频、工业增加值月频，构建周度指数需要大量插值和nowcasting，这种合成指标存在显著的数据修订风险（初值vs终值差异大）
2. 八象限切换的频率：每个象限应该停留多久？如果月频切换，风险平价尚未发挥作用就被打断了
3. 信贷/GDP缺口的时序稳定性：中国信贷/GDP缺口结构本身就在持续演变（表外转表内、专项债扩容等），长期锚定意义下降

---

六、总结

两篇研报在同一天发布，代表了量化研究的两个方向：数据驱动的隐变量（中邮LSTM-GHMM） 和 经济驱动的显式因子（金融街宏观风险平价）。

从工程化角度看，中邮的LSTM-GHMM更”直接可跑”——所有数据已在本地DuckDB中，训练+推理的代码路径清晰。金融街的宏观风险平价更”架构完整”但数据前置工作量大。

对于实际组合管理，将两者结合可能优于各自独立使用：

• LSTM-GHMM做短频择时（日度仓位调整）
• 宏观风险平价做中低频配置（月度资产基准）
• 当两者冲突时，以宏观配置为锚、择时为刃

---

研报信息：

1. 中邮证券·市场脉搏（2）：基于LSTM-GHMM混合方案的量化择时与动态仓位管理

   • 分析师：黄子崟 | 2026-07-09 | 东方财富API

2. 金融街证券·宏观风险平价系列（一）：宏观状态识别与周期定位——构建宏观高频因子体系

   • 分析师：张一、何修桐 | 2026-07-09 | 东方财富API

相关阅读：

• 国盛证券择时雷达六面图复现：21维框架的本土化简化验证
• AI Agent量化交易自动化实战：Hermes Agent 20个任务架构与代码
• 自建量化回测引擎V2：从零搭建事件驱动回测框架
• 多Agent LLM商品ETF宏观配置实战