基于HMM-SARIMA模型的选股策略——以沪深300医药行业成分股为例.pdfVIP

2024年第5期程经济总第314期第34卷

基于HMM-SARIMA模型的选股策略

一以沪深300医药行业成分股为例

张骅月牛艺潼

摘要：股票市场变化莫测，股市价格波动比较大，建立科学的模型来分析市场以及股票状态，针对不同

的投资策略选择合适的股票组合是有必要的。本文提出了一种基于隐马尔可夫（HMM)模型和时间序列

模型的股票状态预测方法，该方法可以有效地分析股票市场的状态，再针对不同的市场状态对股市价格分

别进行预测，两种模型相结合的方法能够有效避免市场波动对单一模型预测结果的影响，最后根据模型的

预测结果并针对不同的投资策略为投资者选择合适的股票，从而获得更大的收益。以与样本期不交叉的

沪深300指数分行业成分股为样本，综合考虑收益和风险因素，为股票池中的每只股票进行打分，选出最优

的投资组合，本文的模型在股市行情不稳定的回溯期内取得了很好的收益效果，这说明将HMM模型与时

间序列结合的模型具有一定的稳健性。

关键词：HMM模型；时间序列；投资组合；股价预测

一、引言

量化交易一直是国内比较热门的话题，而其中对股票市场的投资仍为当代大多数人的第一选择，为了

取得更好的收益，更稳健、更准确且受外界干扰更小的股票预测模型是量化投资者们一直追求的目标。尤

其是近几年股票市场变化莫测，价格波动比较大。因此，建立科学的模型分析市场以及股票状态，选择合

适的股票是有必要的。一个优秀的股票价格预测模型应能够对市场情况进行全面的考虑，更精准地配置

投资者的资产，为投资者带来更大的收益。

Baum和Petriel在1966年提出了隐马尔可夫模型（HiddenMarkovModel,HMM），这是一个关于时间序

列的概率模型，描述的是由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成

对应的一个观测而产生观测随机序列的过程。Hamilton2第一次用HMM模型作为机制转移模型预测经济

周期。该模型应用广泛，是语音识别、文本图像处理、维修故障检测、医疗诊断等领域的重要工具。Hassan

和Nath3I应用HMM模型预测股票价格走势，输入开盘价、收盘价等信息，计算似然值，回溯最接近的历史

交易日，通过该日之后的价格波动预测未来股价涨跌。张旭东4提到，对比连续型HMM，离散型HMM模型

较为简单，参数个数少，可以降低异常值的影响并保证模型的稳定性。因此，股票每日的价量信息：开盘

价、收盘价、最高价、最低价、涨跌幅、换手率、成交量、成交金额等都是可以观察到的日频离散随机序列。

而股票处于的状态：牛市、熊市、成长市等是不可观测到的状态随机序列，这些信息隐含在观测随机序列里

作者简介张骅月：南开大学金融学院，博士，副教授，研究领域：金融工程，量化/算法交易以及随机最优控制在金融

保险领域中的应用；

牛艺潼：南开大学金融学院，在读硕士研究生。

-13-

基于HMM-SARIMA模型的选股策略

面等待发掘，隐马尔可夫模型就是发掘这些隐含价值的方法。

时间序列是变量在不同时刻形成的随机数据列，反映的是发展变化规律[5]。时间序列预测理论的短

期预测效果很好，因此其是一种对股价变化进行统计预测的有效手段。对于金融投资品市场，准确的价

格预测可以给投资者带来超额收益，对于投资者取得利益和规避风险都具有很大的应用价值和实用性。

单一的模型难以满足股票预测需求，将HMM模型和其他模型综合起来，能获得较好的效果[7]。李方

圆8首次提出了HMM和XGBoost两种模型相结合的方法，通过HMM模型预测出股市状态后，再利用XG-

Boost模型预测上涨概率，模型应用于股票市场对比于其他模型有显著优势。还有文章提出可以用筛选后

的特征因子作为隐马尔可夫观测输人的预测模型

在文献梳理中发现：现有研究对HMM模型挖掘股票隐含信息和时间序列预测股价的研究均取得了一

定成果，但鲜有从二者结合角度来研究投资策略问题，且现有的研究也表明混合模型比单一模型在稳健性

和准确性方面更具优势，随着研究深入，不难发现仅从定性或定量的角度对股票进行预测分析明显存在不

足