识别风险，发现价值请务必阅读末页的免责声明1/24金融工程|专题报告2018年9月5日证券研究报告Table_Title再探西蒙斯投资之道：基于隐马尔科夫模型的选股策略研究Table_Summary报告摘要：传奇的大奖章基金从1988年成立到2010年1月1日西蒙斯正式退休，大奖章基金的净年均收益率超过35%，远超标普500指数的年化收益率。并且，在市场波动较大的时候，比如2000年科技股灾和2008年的全球金融危机，大奖章基金表现反而更好，当年都获得了90%以上的业绩回报。文艺复兴科技公司的核心成员中，有多位HMM领域和语音识别领域的专家，因此人们相信隐马尔科夫模型是大奖章基金取得辉煌业绩的法宝。基于HMM模型的选股策略本报告将语音识别的技术引入到股票涨跌预测中。假设上涨和下跌的股票各自都存在一种明确的模式，都分别可由一个HMM模型来描述。我们选择换手率、股价1日涨跌幅等6个价量指标作为模型观测值，选择股票池内上涨的样本训练表征上涨模式的HMM模型。预测时，一个股票在表征上涨模式的HMM模型上的观测概率越大，说明该股票实际上涨的概率也越大。我们将股票池内的股票按照HMM因子值均分成10档，每期超配最高一档的股票。模型的选股收益远超基准通过实证分析，基于隐马尔科夫模型的选股策略以中证500成份股为股票池，能够获得较高的超额收益。而且在行业中性优化之后，策略的效果进一步提升，在2007年2月1日——2018年8月15日的回测区间内，策略年化超额收益率为16.19%，最大回撤为-9.69%，信息比达到2.14。核心假设风险：本报告提出的基于隐马尔科夫模型的选股策略根据历史数据进行回测，策略模型并非百分百有效，市场结构及交易行为的改变以及类似交易参与者的增多有可能使得策略失效。图1HMM股票涨跌预测模型预测过程示意图图2基于HMM模型的行业中性的选股策略（中证500指数对冲）Table_Author分析师：罗军，S0260511010004020-87579006lj33@gf.com.cn分析师：安宁宁，S02605120200030755-23948352ann@gf.com.cn分析师：史庆盛，S026051307000402087577060sqs@gf.com.cnTable_Report相关研究：多因子ALPHA系列报告之（三十六）——机器学习多因子动态调仓策略2018-04-26深度学习新进展：Alpha因子再挖掘2017-07-11探寻西蒙斯投资之道：基于HMM模型的周择时策略研究2010-06-17Table_Contacter联系人：童炯潇020-87572092tongjiongxiao@gf.com.cn17622568/14519/2018090613:34识别风险，发现价值请务必阅读末页的免责声明2/24金融工程|专题报...
