量化择时新方案：用ML判断"趋势还是震荡"

梵如谨科技 · 量化研究 · 2026-06-21

策略切换问题的本质

任何交易策略都有其"舒适区"：

• 趋势跟踪策略 — 在趋势市场大赚，在震荡市场反复磨损至亏损
• 均值回归策略 — 在震荡市场持续盈利，在趋势市场逆势亏损

一个朴素的想法：如果能在趋势市场跑趋势策略、震荡市场跑震荡策略，理论上可以获得比任何一个子策略都好的整体表现。问题在于——如何客观地判断"当前是趋势还是震荡"？

机器学习方案

研究者使用以下特征来训练市场状态分类器：

核心思路是用Hurst指数和ADX作为标签生成的基准信号（连续N日Hurst>0.6且ADX>30=趋势状态），再用随机森林或XGBoost拟合多特征分类器。

效果验证

回测数据显示，简单的"趋势/震荡"二分类切换策略能产生显著的超额收益：

• 纯趋势跟踪策略年化收益：12.3%，最大回撤：18.5%
• 纯均值回归策略年化收益：8.7%，最大回撤：9.2%
• ML择时切换策略年化收益：15.8%，最大回撤：10.1%

切换策略在收益上接近趋势策略的上限，在回撤上接近震荡策略的稳健——确实实现了1+1>2的效果。

可落地的注意事项

1. 切换信号延迟 — 模型判断"现在变成趋势了"时，往往已经走了一段。预判型信号（基于动量加速度）优于确认型信号
2. 过度切换 — 如果切换太频繁，会产生"两边打脸"效应。建议设置最少持仓期
3. 量价特征比基本面特征更有效 — 择时本质是节奏判断，量价信息已经足够

🔍 核心价值

市场状态识别是量化交易中的"元策略"——不直接交易，而是指导何时使用什么策略。ML分类器相比传统技术指标（ADX/Hurst等），能组合更多维度的信息，获得更精准的判断。

⚠️ 风险提示

历史回测存在过拟合风险和幸存者偏差。策略切换的"择时"本身也有滞后成本。文中数据为研究参考，不构成投资建议。

📡 梵如谨科技

专注于A股量化因子研究与策略开发
因子库覆盖动量·趋势·量价·波动律·反转五大维度

关注公众号「一起抓波段」→ 每周量化精选

⚠️ 历史回测数据，不构成投资建议。投资有风险。