标签： #宏观量化

线性 VAR 假设股票收益和宏观动量的联动关系恒定不变——但牛市里动量是温和的助推器，熊市里却变成下跌的加速器，一套系数怎么可能同时描述两种世界。MS-VAR 给 VAR 挂一条隐藏马尔可夫链：每个 regime 一套独立的截距、系数矩阵和协方差，用 EM + Hamilton 滤波从数据里把牛熊自动切出来。纯 numpy 实现 2-regime MS-VAR(1)：合成数据上 EM 17 次迭代收敛，转移矩阵估到 [0.97,0.954] vs 真值 [0.97,0.94]，regime 识别准确率 95.9%，熊市方差 6.27 vs 真值 6.0。择时端：样本外 300 周，滤波概率仓位 Sharpe 1.06 vs 买入持有 −1.90，回撤从 89% 压到 26%。诚实说明：实盘只能用滤波概率而非平滑概率（后者用了未来数据），滤波概率在 regime 边界处会迟疑几周；EM 对初始化敏感、样本外恰逢长熊市放大了择时优势。拆穿平滑概率直接进回测、regime 数越多越好等经典陷阱（中阶）。

你有 50 个宏观指标,每个都有噪声和各自的惯性,共同趋势被淹没在面板里。动态因子模型(DFM, Stock-Watson 2002)主张:真正驱动一切的只有少数几个『共同因子』。两步法把 8 条指标压成 1 条因子,与真实共同因子的相关从单条指标的 0.51~0.82 拉到 0.91。本文从零复现并拆穿三类真实陷阱(中阶)。