文章核心观点 - 研究旨在开发一套量化交易策略，通过识别A股市场的“趋势”与“震荡”状态，动态调整投资策略，在趋势期采用动量策略，在震荡期采用均值回归策略，以提升投资收益并控制风险 [1][40][64] - 研究构建了一套基于价格、成交量和波动率的非传统特征体系，并训练了等权、逻辑回归和决策树三种模型来生成择时信号 [8][22][32] - 策略验证结果显示，基于决策树模型的信号表现最佳，在2020年1月至2025年8月的回测期内，其策略总收益达77.20%，显著超越基准的14.68%，且夏普比率达到1.12 [57][63][64] 市场状态划分方法 - 市场状态被划分为“趋势”和“震荡”两种，趋势行情适合动量策略，震荡行情适合均值回归策略 [1] - 采用两阶段算法为上证指数历史走势标注状态信号：第一阶段使用Zig-Zag算法初步识别趋势波段，参数包括转折阈值10%、最小年化收益20%、指定时长63天；第二阶段使用二分法进行断点修正，将“趋势衰竭”的后半段重新标记为“震荡” [2][3] - 该划分方法应用于2015年以来的历史数据，能够有效复现市场参与者的普遍认知，例如准确识别2018年的持续熊市为“趋势”状态 [4] 回测区间与数据划分 - 研究选择2020年作为回测起点，因市场行为在此前后发生转变，2020年后趋势和震荡切换更频繁，持续时间和波动幅度减弱 [7] - 回测区间为2020年1月2日至2025年8月29日，共1373天；训练集为前70%数据（961天，2020/1/2-2023/12/18），测试集为后30%数据（412天，2023/12/19-2025/8/29） [7] 特征变量构建 - 特征体系基于价格、成交量、波动率三个维度设计，遵循“经济学直觉先行，经验数据验证”的原则 [8] - 价格维度包含三个特征：Feature_MA_1030（中长期趋势确认，参数40天，训练集准确度58.58%）[9][10]、Feature_MA_0510（短期趋势确认，参数20天，训练集准确度53.80%）[11][12]、Feature_price_120（长期斜率平缓，参数80%分位数，训练集准确度60.25%）[13][14] - 成交量维度包含一个特征：Feature_Volume（成交量异常放大，参数70%分位数，训练集准确度63.48%）[16][17] - 波动率维度包含两个特征：Feature_Volatility_past（高波动震荡，参数80%分位数，训练集准确度55.78%）[18][19]、Feature_Squeeze_Breakout（突破尝试，参数30天回看期，训练集准确度57.54%）[20][21] 模型训练与评估 - 单个特征指标在训练集上的准确率均高于50%，其中Feature_Volume最高，达63.48%；在测试集上，所有特征准确率均有大幅提升，例如Feature_Volume提升至75.24% [22][23] - 等权模型在测试集准确率为82.04%，经20天平滑后提升至88.59% [24][27][39] - 逻辑回归模型赋予Feature_MA_1030最高权重（1.70），测试集准确率为83.25%，平滑后为83.50% [27][28][29][39] - 决策树模型能捕捉变量间交互关系，测试集准确率为80.10%，经平滑后提升至83.98% [32][36][38][39] 策略验证与绩效 - 策略框架为：初始仓位0.5，每周三调仓，趋势模式下追涨杀跌，震荡模式下均值回归，仓位限制在0至1之间 [40] - 使用人工标注的“正确”信号进行验证，策略总收益达61.62%，年化波动率9.35%，最大回撤-9.18%，夏普比率0.94，显著优于基准 [42][47] - 等权模型信号策略总收益31.54%，但超额收益缺乏持续性 [48][52] - 逻辑回归模型信号策略总收益40.62%，年化波动率9.34%，最大回撤-13.06%，风险控制较好 [53][56] - 决策树模型信号策略表现最佳，总收益77.20%，年化收益11.07%，最大回撤-9.18%，夏普比率1.12，在2022年和2024年市场下跌时成功将仓位降至零 [57][63][64]