别让 HMM「概率」骗了你 —— 一种前向安全的 prob_bull 校准方法论

别让 HMM「概率」骗了你 —— 一种前向安全的 prob_bull 校准方法论

2026-06-28 · 重庆

一个价值 100 倍的问题

我在做一个 A 股 HMM 量化策略：三状态（BULL/SIDEWAYS/BEAR），Walk-Forward 回测，每窗口 1700 天训练、60 天测试。

prob_bull = 0.7 —— HMM 说 70% 概率是牛市。直觉上：做多。

直觉错了。

打开数据。同一只股票，两个不同窗口：

窗口 3:  prob_bull=0.7 → 次日涨 +2.3%
窗口 23: prob_bull=0.7 → 次日跌 -0.8%

0.7 在不同窗口不是同一个"0.7"。HMM 输出的概率是状态概率，不是收益预测。用它做大类资产配置？想多了。用来做 T+1 做多？准确率看天。

但你不能扔掉它。HMM 对市场结构的感知能力有很高的 Sharpe。你需要的是：把 prob_bull 映射到期望收益，然后用期望收益做决策。

这就是保序回归（Isotonic Regression）校准。

看似简单，实则暗坑密布

保序回归很简单：收集一堆 (prob_bull, next_day_pct_chg) 配对，拟合一条单调递增曲线，f(0.3) = -0.2%、f(0.5) = +0.3%、f(0.9) = +1.2%。然后用 f(prob_bull) > 0.5% 替代 prob_bull > 0.5。

问题来了：测试集第一天，你没有任何本窗口的 (prob, ret) 数据对。 回测里你可以拿窗口里全部 59 天去拟合——效果极好，从 +84% 飙到 +206%（000001.SZ），Sharpe 从 1.29 到 5.93。但实盘第一天你一个 pair 都没有。

这不是一个技术问题。这是一个信息时序约束问题。

我们试了四种方案，全失败了

方案 1：跨窗口连续滚动校准

拼接所有窗口到一条时间线，逐日增量更新校准曲线。

结果：000001.SZ 收益跌到 +15%（还不如不校准的 +84%），26 个窗口里有 20 个零持仓。

根因：W3 的 HMM 和 W23 的 HMM 参数不同，prob_bull=0.7 在这两个模型里的语义完全不一样。把它们塞进同一个 IsotonicRegression，PAVA 算法被迫取平均——结果就是 f(0.7) ≈ +0.7%，高于阈值是运气，低于阈值也是运气。

单一校准曲线无法同时适配多个 HMM 模型的概率语义。 这是今天最重要的一条教训。

方案 2：窗口内 min_samples=3 滚动校准

每窗口从第 4 天开始，用前 3 天数据拟合，逐日增量。最低 3 个点就能跑 PAVA，对吧？

结果：000001.SZ 收益 +20%（连不校准的 +84% 都不如），330 天持仓 vs 批校准的 121 天——多出来的都是假信号。

根因：3 天