Rejim Pasaran Berubah Pantas. Strategi Anda Juga Perlu

Pembelajaran Mesin Menyelamatkan Saya Apabila Peraturan Statik Gagal

Inilah yang tidak diberitahu oleh sesiapa tentang perdagangan algoritma: strategi terbaik di dunia menjadi tidak bernilai apabila rejim pasaran berubah. Saya belajar ini dengan cara yang mahal pada Februari 2018 apabila sistem min-reversion saya — yang menguntungkan selama 3 tahun berturut-turut — mengalami kerugian 23% dalam 8 hari semasa letupan VIX.

Di Two Sigma, kami ada pepatah: "Pasaran mempunyai ingatan, tetapi mereka juga skizofrenia." Selepas meninggalkan untuk berdagang modal sendiri, saya menghabiskan 18 bulan membina apa yang akan menjadi rangka kerja pengesanan rejim saya. Bukan kerana saya mahu — tetapi kerana saya terpaksa.

Pendekatan tradisional? Kod keras strategi berbeza untuk keadaan pasaran yang berbeza. Masalahnya? Apabila anda sedar rejim telah berubah, P&L anda sudah pun berdarah. Pengesanan rejim sebenar berlaku sebelum pergerakan, bukan selepasnya.

Model Markov Tersembunyi Yang Mengubah Segalanya

Mac 2020. Semasa semua orang berdebat sama ada COVID "hanya selesema biasa," model pengesanan rejim saya melakukan sesuatu yang menarik — ia bertukar daripada mod "trending" kepada "krisis" pada 21 Februari, 10 hari penuh sebelum kejatuhan sebenar. Bukan kerana ia meramalkan pandemik, tetapi kerana mikrostruktur pasaran sudah menjerit.

Inilah versi ringkas apa yang menyelamatkan portfolio saya:

    # Ciri: nisbah volatiliti, matriks korelasi, corak volum

    regime_probabilities = hmm_model.predict_proba(features)

    if regime_probabilities['crisis'] > 0.7:

        return 'defensive'

    elif regime_probabilities['trending'] > 0.6:

        return 'momentum'

    else:

        return 'mean_reversion'

Keajaiban bukan pada model — ia pada ciri-ciri. Kebanyakan pengesanan rejim gagal kerana orang memberinya input yang salah. Purata bergerak? Tidak berguna. RSI? Lebih teruk. Anda perlukan ciri yang menangkap mikrostruktur pasaran:

• Nisbah volatiliti realisasi/tersirat merentas pelbagai jangka masa
• Matriks korelasi merentas aset (apabila bon dan saham bergerak bersama, rejim sedang beralih)
• Kegigihan ketidakseimbangan aliran pesanan (berapa lama tekanan arah bertahan)
• Pengelompokan volatiliti intrahari (ketakutan muncul dalam bar 15 minit sebelum harian)

Model semasa saya menggunakan 47 ciri, tetapi empat ini menyumbang 71% ketepatan klasifikasi rejim.

Tiga Keadaan Rejim Yang Sebenarnya Penting

Lupakan kertas akademik yang bercakap tentang 7 rejim pasaran berbeza. Selepas memproses 8 tahun data tick merentas niaga hadapan, forex, dan kripto, hanya tiga rejim yang benar-benar memberi kesan kepada P&L anda:

1. Rejim Momentum (38% masa pasaran)

Dicirikan oleh pergerakan arah yang berterusan dengan penarikan balik di bawah 38.2% Fibonacci. Korelasi kekal positif, volatiliti berkembang secara beransur-ansur. Ini adalah apabila pengikut trend mencetak wang. Algoritma momentum saya berjalan pada saiz posisi penuh di sini.

2. Rejim Min-Reversion (49% masa pasaran)

Ruji bagi kebanyakan pedagang algoritma. Volatiliti mengecut, julat bertahan, korelasi kembali kepada min. Tetapi inilah perangkapnya — rejim ini mempunyai dua sub-keadaan yang saya panggil "chop sihat" dan "spring termampat." Yang terakhir mendahului pergerakan ganas.

3. Rejim Krisis (13% masa pasaran)

Semua korelasi pergi ke 1 atau -1. Volatiliti meletup. Kecairan lenyap. Strategi tradisional bukan sekadar kurang prestasi — ia runtuh. Semasa rejim krisis, saya potong saiz posisi sebanyak 75% dan bertukar kepada arbitraj volatiliti sahaja.

Pandangan utama? Rejim berkelompok. Krisis mengikuti mampatan 73% masa. Momentum mengikuti krisis 67% masa. Urutan ini memberi anda kelebihan.

Membina Sistem Pengesanan Rejim Anda Sendiri

Biarkan saya menjimatkan 6 bulan percubaan dan kesilapan anda. Inilah rangka kerja yang benar-benar berfungsi dalam pengeluaran:

class RegimeDetector:

    def __init__(self, lookback=252, retrain_frequency=30):

        self.features = ['vol_ratio', 'correlation_eigenvalue',

                         'flow_persistence', 'intraday_clustering']

        self.model = HiddenMarkovModel(n_states=3)

        self.scaler = RobustScaler() # Mengendalikan outlier dengan lebih baik

    

    def calculate_features(self, data):

        # Di sinilah keajaiban berlaku

        features = {}

        

        # Rejim volatiliti

        features['vol_ratio'] = data['realized_vol'] / data['implied_vol']

        

        # Struktur korelasi

        corr_matrix = calculate_rolling_correlation(data, window=21)

        features['correlation_eigenvalue'] = np.max(np.linalg.eigvals(corr_matrix))

        

        # Mikrostruktur

        features['flow_persistence'] = calculate_order_flow_autocorrelation(data)

        

        return self.scaler.transform(features)

Bahagian kritikal yang kebanyakan tutorial langkau:

• Gunakan RobustScaler, bukan StandardScaler. Data pasaran mempunyai ekor gemuk yang memecah normalisasi standard.
• Latih semula setiap bulan, bukan setiap hari. Model rejim sensitif terhadap overfitting pada hingar.
• Mulakan dengan maksimum 3 keadaan. Lebih banyak keadaan = lebih banyak cara untuk menipu diri sendiri dengan prestasi dalam sampel.

Perangkap Overfitting Yang Membunuh Kebanyakan Pedagang ML

Di sinilah saya akan mengecewakan para penginjil ML: kebanyakan pembelajaran mesin dalam perdagangan adalah pelengkapan lengkung yang rumit. Saya telah membina model dengan ketepatan dalam sampel 93% yang kehilangan wang dalam pengeluaran. Kenapa? Mereka belajar hingar, bukan isyarat.

Model pengesanan rejim pertama saya mempunyai 200+ ciri dan menggunakan ensemble rangkaian neural yang kompleks. Ia boleh "meramalkan" krisis 2008 dengan sempurna. Dalam ujian balik. Dalam perdagangan langsung? Ia berayun antara rejim setiap hari lain, menjana lebih banyak kos transaksi daripada alpha.

Penyelesaiannya bukan kurang ML — ia ML yang lebih pintar:

• Kejuruteraan ciri > kerumitan model. HMM mudah dengan ciri hebat mengalahkan rangkaian neural dengan input sampah.
• Pengesahan walk-forward tidak boleh dirunding. Latih pada 2019-2020, sahkan pada 2021, uji pada 2022. Jika ia tidak generalisasi merentas kitaran pasaran berbeza, ia tidak bernilai.
• Kestabilan rejim lebih penting daripada ketepatan. Lebih baik mengesan rejim lewat tetapi kekal di dalamnya daripada berbolak-balik pada setiap lonjakan volatiliti.

Model semasa saya mengorbankan 20% ketepatan teori untuk 80% lebih kestabilan. Pertukaran itu mencetak wang.

Keputusan Perdagangan Langsung: Yang Baik, Buruk, dan Hodoh

Mari bercakap tentang nombor sebenar daripada strategi adaptif rejim saya sepanjang 18 bulan lepas:

Yang Baik: Semasa lonjakan volatiliti Perbendaharaan Oktober 2024, pengesan rejim bertukar ke mod krisis 2 hari lebih awal. Hasilnya? +8.7% manakala beli-dan-pegang rugi 12%.

Yang Buruk: Isyarat palsu semasa "zon chop" musim panas 2024 menyebabkan 7 pertukaran rejim yang tidak perlu. Setiap pertukaran berharga kira-kira 0.3% dalam kos transaksi dan slippage. Itu -2.1% dalam kerugian mati.

Yang Hodoh: Model terlepas sepenuhnya kejatuhan kilat kripto Januari 2025. Kenapa? Mikrostruktur kripto berbeza daripada pasaran tradisional, dan ciri saya telah ditentukur pada data niaga hadapan. Rugi 4.2% sebelum penggantian manual. Pengajaran dipelajari — pengesanan rejim tidak sesuai untuk semua kelas aset.

Prestasi keseluruhan: +31.4% vs +19.2% untuk strategi statik. Tetapi nilai sebenar bukanlah pulangan tambahan — ia tidur lebih lena mengetahui algoritma saya menyesuaikan diri apabila pasaran menjadi gila.

Integrasi dengan Sistem Perdagangan Sebenar

Teori bagus. Pelaksanaan yang membayar bil. Inilah cara pengesanan rejim berintegrasi dengan infrastruktur perdagangan sebenar:

# Lapisan pengurusan risiko

position_size = base_size * regime_risk_multiplier[current_regime]

if current_regime == 'momentum':

    active_strategies = ['trend_following', 'breakout']

    disable_strategies(['mean_reversion', 'arbitrage'])

elif current_regime == 'mean_reversion':

    active_strategies = ['range_trading', 'pairs']

    disable_strategies(['trend_following'])

else: # crisis

    active_strategies = ['volatility_arb']

    reduce_all_positions(0.25)

Butiran pelaksanaan kritikal:

• Peralihan rejim memerlukan penampan. Jangan tukar strategi pada isyarat pertama — perlukan 2-3 tempoh berturut-turut pengesahan.
• Saiz posisi dilaraskan sebelum perubahan strategi. Kurangkan risiko dahulu, tanya soalan kemudian.
• Sentiasa kekalkan lindung nilai "neutral rejim". Saya adalah long volatiliti semasa ketidakpastian.

Bagi pedagang yang menggunakan indikator FibAlgo, isyarat pelbagai jangka masa sebenarnya melengkapi pengesanan rejim dengan baik — ia membantu mengesahkan apabila jangka masa lebih pendek mula sejajar dengan peralihan rejim sebelum carta harian mengejar.

Mod Kegagalan Biasa dan Cara Mengelakkannya

Biarkan saya menyelamatkan anda daripada kesilapan yang merugikan saya enam angka:

Mod Kegagalan 1: Kebocoran Ciri

Menggunakan volatiliti tersirat untuk mengesan rejim volatiliti kelihatan pintar sehingga anda sedar IV sudah pun mengambil kira jangkaan rejim. Anda meramalkan masa lalu. Berpegang pada metrik realisasi dan mikrostruktur.

Mod Kegagalan 2: Ayunan Peralihan Rejim

Pasaran tidak bertukar rejim dengan bersih. Sentiasa ada tempoh peralihan yang kucar-kacir. Penyelesaian saya? "Keadaan peralihan" yang mengekalkan posisi minimum sehingga rejim baru stabil.

Mod Kegagalan 3: Penentukuran Khusus Aset

Pengesan rejim yang dilatih pada niaga hadapan S&P akan gagal secara spektakuler pada forex. Setiap kelas aset mempunyai mikrostruktur unik. Bina model berasingan atau gunakan pembelajaran pemindahan dengan berhati-hati.

Mod Kegagalan 4: Mengabaikan Peristiwa Makro

Tiada model ML meramalkan Brexit atau Swiss Franc depeg. Pengesanan rejim membantu anda bertindak balas lebih cepat, bukan meramalkan angsa hitam. Sentiasa kekalkan pemutus litar untuk peristiwa "mustahil".

Masa Depan Perdagangan Adaptif

Selepas 8 tahun membina dan memecahkan sistem pengesanan rejim, inilah pandangan kontrarian saya: masa depan bukanlah model yang lebih kompleks — ia model yang lebih mudah yang menyesuaikan diri lebih cepat.

Pasaran menjadi lebih cekap pada tahap frekuensi tinggi tetapi lebih bergantung kepada rejim pada tahap harian/mingguan. Campur tangan bank pusat, penggembalaan algoritma, dominasi aliran pasif — ini mewujudkan rejim berbeza yang boleh dieksploitasi oleh sistem adaptif mudah.

Projek saya seterusnya? Menggabungkan pengesanan rejim dengan analisis berwajaran kecairan untuk meramalkan peralihan rejim sebelum ia nyata sepenuhnya. Keputusan awal menunjukkan masa pendahuluan 4-6 jam pada peralihan utama.

Kelebihan pada 2026 bukanlah mempunyai model terbaik — ia mempunyai model yang mengaku apabila ia salah dan menyesuaikan diri. Strategi statik sudah mati. Jika anda tidak boleh mengekod tingkah laku adaptif, anda berdagang dengan alat semalam dalam pasaran esok.

Langkah Seterusnya Anda

Mulakan dengan mudah. Lupakan rangkaian neural dan fokus pada asas rejim:

• Kira nisbah turun naik sebenar/tersirat 20 hari bergerak untuk instrumen dagangan utama anda
• Plot peralihan rejim apabila nisbah melintasi purata bergerak 90 harinya
• Uji semula bagaimana strategi semasa anda berprestasi dalam setiap rejim
• Laksanakan pelarasan saiz posisi berdasarkan rejim (belum lagi perubahan strategi)
• Hanya selepas ini berfungsi, tambah ciri dan model yang lebih canggih

Ingat: pengesanan rejim adalah alat, bukan strategi. Ia memberitahu anda strategi mana yang perlu dijalankan bila. Alfa datang daripada mempunyai strategi yang baik untuk setiap rejim dan disiplin untuk bertukar antara mereka secara sistematik.

Pasaran akan terus menjadi semakin pelik. Sistem dagangan anda lebih bersedia untuk menyesuaikan diri, atau anda akan menyertai kuburan strategi cemerlang yang berfungsi sehingga ia tidak lagi. Di Two Sigma, kami mempunyai pepatah lain: "Pasaran tidak peduli tentang P&L anda." Tetapi dengan pengesanan rejim yang betul, sekurang-kurangnya anda akan melihat lori itu datang sebelum ia melanggar anda.