市场有气候,交易要看天色——宏观爱好者的 Regime 入门指南
Source: http://x.com/i/article/2037757291030548480
GoldMonitor · 量化科普系列
一篇写给宏观爱好者的 Regime 入门指南
适合人群:对宏观感兴趣、想了解量化是怎么工作的、不想被公式吓跑的你
阅读时间:约 30 分钟 · GoldMonitor Project 2026 写在前面 这篇文章不会让你看到一堆公式。
它想做的事情更简单:帮你建立一个直觉——在宏观交易里,「读懂市场当前处于什么状态」这件事,到底是怎么工作的,为什么它那么重要,以及我们在 GoldMonitor 这个项目里是怎么一步步把这件事做好的。
(如果你就是想要看硬核的,可以加入我的免费宏观数据dashboard频道,GoldMonitor的研发日志将分享在频道里)
如果你曾经有过这种感觉——「我判断对了方向,但交易还是亏钱了」,或者「同样的新闻,上个月是利好,这个月怎么变利空了」——那这篇文章就是为你写的。
| 读完这篇,你会理解…… · 为什么「利率上升」在 2022 年是黄金的噩梦,在 2023 年却是黄金的助推器
· 机器是如何通过「听朋友说心情」来猜天气的(隐马尔可夫模型的直觉)
· 西蒙斯、达利欧、索罗斯他们各自是怎么理解市场状态的
· 一套完整的 Regime 系统,从数据到仓位,背后的完整逻辑链
第一章:交易状态的迷惑
你有没有这样的迷惑?
2022 年 3 月,美联储开始加息,2 年期美国国债收益率从 1% 飙升到 3%。黄金怎样了?跌了将近 15%。逻辑很清晰:利率高了,持有黄金的机会成本就高了,钱都跑去买债券了。
2023 年 3 月,硅谷银行在 48 小时内倒闭,市场一片恐慌,同样是 2 年期国债收益率剧烈波动。黄金怎样了?涨了超过 8%。
等等——两次都是利率在动,结果却完全相反。这是怎么回事?
—— 停下来想一秒钟 这不是黄金的反常。这是市场在告诉你:同一个信号,在不同的背景下,含义可以截然相反。
读懂背景,才能读懂信号。而读懂背景,就是 Regime 检测在做的事。
利率上升的两张面孔
让我们回到这两个案例,把它们放在一起对比:
你看到区别了吗?表面上都是「2 年期国债收益率在动」,但背后的原因、市场的情绪、资金的流向完全不同。2022 年是有秩序的利率上升,2023 年是有点失控的系统性恐慌。
前者对黄金是压力,后者对黄金是托举。
一个不区分这两种情况的系统,会在 2023 年 SVB 事件中做出完全错误的判断——看到「利率在动」就做空黄金,然后眼睁睁看着黄金涨走。
那 Regime 到底是什么?
Regime 这个词来自气象学。天气预报员不会只看当前温度来决定明天要不要带伞。他需要先判断:当前是什么天气系统在主导?冷锋过境?暖湿气流?台风路径?不同的天气系统里,同样是 20 摄氏度,结果可以是阳光明媚,也可以是暴风雨前的短暂平静。
市场也一样。Regime 就是市场当前的「天气系统」——决定了同一个信号在这个时候应该被如何解读。
| 一句话定义 Regime = 此刻市场的主导叙事是什么?
不是「利率涨了多少」,而是「利率为什么涨,谁在卖,谁在逃」。
第二章: 我们最初是怎么做的,以及它为何不够好
当你开始构建一个量化系统,最自然的想法是:找几个重要的宏观指标,定几个规则,让机器按规则执行。这没什么问题,它是一个很好的起点。
我们GoldMonitor 的第一版 Regime 系统就是这样:选了 5 个因子,每个因子独立打分,分数多的一边赢。
投票制:简单、透明、有效……大部分时候 5 个因子分别是:黄金波动率(GVZ)、地缘政治风险(GPR)、实际利率(TIPS)、美元指数(DXY)、通胀预期(BEI)。每个因子的当前值跟历史相比,偏高就投「市场偏紧张」一票,偏低就投「市场偏宽松」一票。
超过 3 票的一方获胜,系统输出 Risk-Off 或 Risk-On,再分几个档位。整个过程透明到任何人都能解释——「因为 TIPS 和 DXY 同时偏高,所以是 Risk-Off」。
这套系统的好处是真实的:快、透明、可解释。但它有三个深层问题,在市场出现异常的时候会暴露出来。
问题一:它只看「是什么」,不问「为什么」 2Y 利率大幅波动——系统看到的是一个数字变大了,然后投「紧张」一票。但它不知道,也不在乎,这次波动是因为联储在加息,还是因为银行系统出了问题。
前者对黄金是压力,后者对黄金是支撑。系统全都当成一回事处理了。
问题二:「正常」这个概念会变
Z-Score 的意思是:这个数值,相对于历史,偏高还是偏低?听起来很合理。但问题是,「历史」本身会变。
2022 年全年,联储激进加息,实际利率长期处于历史高位。系统全年都在喊 Risk-Off——就像一个体温计,在发高烧的病人身上一直显示最大读数,再也分不清 38.5 度和 40 度的区别。
问题三:「1 + 1 = 2」有时候是错的 「弱美元」对黄金是利好。「高地缘风险」对黄金也是利好。但当这两者同时出现的时候,它们的效果不是简单的两票叠加,而更像是乘法——两个信号共振,推力远大于各自单独作用的总和。
投票制无法感知这种非线性的「共振效应」。
⚠️ 最危险的不是它的错误,而是它的自信.
V1 系统给出的信号听起来很有道理。每张票背后都有经济学逻辑,解释起来头头是道。但在关键时刻,这种表面上的合理性会让你对错误的信号失去警惕。这比一个公然混乱的系统更危险——因为随机噪声至少不会给你假安全感。
第三章: 三层架构像剥洋葱一样理解市场
承认了 V1 的局限之后,我们重新思考:市场的「当前状态」,到底应该从几个维度来理解?
答案是三个,对应三个不同的时间尺度。就像同一片风景,用广角镜头、标准镜头、长焦镜头看到的细节完全不同。
三层 Regime 架构一览
第一层(月度):宏观底色 —— 现在处于增长还是衰退?通胀是涨还是跌?
第二层(周度):市场状态 —— 当前的市场微观结构是趋势、震荡还是危机?
第三层(日度):事件修正 —— 今天发生了什么突发事件,需要紧急调整吗?
三层像洋葱:宏观层决定大方向,市场层决定力度,事件层决定是否需要临时刹车或踩油门。
下面我们逐层打开。
第一层:宏观底色——达利欧教我们的事
如果你只能记住这篇文章的一件事,记住这个:宏观资产的表现,在很大程度上取决于「增长在往哪走」和「通胀在往哪走」这两件事。
Ray Dalio 用数百年的历史数据总结出这个规律,并把它变成了著名的「全天候策略」。两个变量,各取两个方向,就是四种组合——四个象限,四种市场气候。
市场就像一台永动机,但只有两个转速:经济在加速还是在减速,通胀在升温还是在降温。弄清楚这两件事,你就能在大多数时候不落于人后。 — Ray Dalio,桥水基金创始人
黄金在这四个象限里的表现规律非常稳定:
• 滞胀(经济差 + 通胀高):黄金的最佳朋友。实际利率被压低,货币的购买力在缩水,人们疯狂买黄金。1970 年代就是这样的。
• 过热(经济好 + 通胀高):黄金还行,通胀保值需求支撑它,但也有竞争。
• 复苏(经济好 + 通胀低):黄金最难过的时候。大家都去买股票和高收益资产,谁还需要黄金?
• 通缩(经济差 + 通胀低):复杂。避险需求支撑黄金,但实际利率可能上升又压制它。
具体判断「增长往哪走」和「通胀往哪走」,系统用两个代理指标:收益率曲线的斜率(10 年期减 2 年期国债利率)作为增长方向的代理,盈亏平衡通胀率(BEI)的变化方向作为通胀预期的代理。
这两个指标都是实时的、前瞻性的——不像 GDP 数据等到季度末才公布,国债市场每天都在给你答案。
—— 为什么不直接用 CPI?
CPI 是滞后指标——它告诉你的是上个月发生了什么。等 CPI 公布,市场早就反应过了。
BEI(债市隐含的通胀预期)是实时的、前瞻性的——它反映的是市场现在对未来通胀的预期。
做预测要用领先指标,而不是等着滞后指标来确认。
第二层:市场状态——让机器自己找答案
宏观层给出了「大方向」,但它的节奏很慢,两个月都可能在同一个象限里。我们还需要一个更灵敏的传感器,来感知市场微观结构的变化。
这就是隐马尔可夫模型(HMM)的用武之地。这个名字听起来很吓人,但核心思想其实可以用一个很生活化的故事来说清楚。
一个关于天气和心情的故事
想象你有个朋友在另一个城市,你每天给他打电话,他会告诉你他今天的心情——快乐,或者低落。你不能直接看到他那边的天气,但你知道:晴天的时候他快乐的概率是 70%,阴雨天的时候他快乐的概率只有 30%。
你还知道:天气有惯性,昨天晴今天还是晴的概率是 80%,突然转阴的概率只有 20%。
现在的问题是:听了他两个星期的心情汇报,你能不能推算出他那边这两周的天气序列?
可以。这就是 HMM 在做的事。
对应到金融市场 「天气」= 市场真实处于什么状态(Bull / Neutral / Bear)——你看不见
「朋友的心情」= 每天的因子读数(GVZ、TIPS、DXY……)——你看得见
HMM 通过分析因子读数的历史序列,反推出背后最可能的状态序列。
它不需要人告诉它「Bull 状态下 GVZ 应该低于多少」——它自己从数据里学。
为什么比规则系统好? 规则系统是「今天的因子 → 今天的状态」,每天独立判断。这会导致系统在因子值处于临界点附近时频繁抖动——今天 GVZ 是 18.5 判 Neutral,明天 18.4 判 Favorable,后天又回去,交易员无所适从。
HMM 的聪明之处在于:它不只看今天的因子,还考虑「从昨天的状态,到今天的因子读数,哪条路径最合理」。状态有惯性——一旦进入 Bull 状态,需要连续多天的反向信号才能让系统切换,而不是某天 GVZ 偶然低了一下就立刻宣布牛市。
这就是为什么 HMM 的输出比规则系统更平滑、更稳定、假信号更少。
三个状态,不多不少 你可能会问:为什么是三个状态(Bull / Neutral / Bear),不是两个,也不是五个?
两个太粗糙——「震荡整理」和「单边下跌」对交易策略的要求完全不同,但两状态系统会把它们混在一起。五个状态的参数太多,历史数据根本学不稳,容易记住噪声。三个状态经过实证检验是最平衡的选择,而且经济学意义直观清晰。
第三层:事件侦探——今天发生了什么?
前两层处理的是「正常运转」时的市场状态。但市场偶尔会冒出突发事件:银行突然倒闭、央行意外转向、地缘政治危机。这些事件可以在一天之内把前两层的判断变得过时。
Layer 3 就是专门处理这些「异常时刻」的实时侦探。
当 2 年期利率异动:谁在动,为什么?
Layer 3 的核心模块是「2Y 利率冲击归因」。当 2 年期国债收益率的波动超过了正常范围(Z-Score 超过 ±1.0),系统会启动归因程序,根据三个线索来判断:这次波动来自哪里?
• 线索一:2Y 利率和 TIPS(实际利率)的利差有没有扩大?如果 2Y 涨了但 TIPS 没怎么动,说明是 Fed 路径在重新定价,不是实际利率系统性重估——偏向利率预期冲击。
• 线索二:DXY(美元指数)有没有方向感?如果美元在横盘、方向不明,说明没有明确的资金流向,这更接近债市流动性危机,而不是有序的利率调整。
• 线索三:债市压力合成信号有没有飙升?我们用黄金波动率(GVZ)的水平和动量来合成一个债市压力代理信号。债市恐慌时,黄金波动率通常同步飙升。
三个线索综合判断,系统得出结论:这次 2Y 利率异动,是有序的利率预期重定价(对黄金利空),还是债市脆弱引发的流动性危机(对黄金利多),还是通胀预期上修(对黄金中性偏多)?
不同的归因结论,系统对仓位乘数的调整方向完全相反。这正是 SVB 事件中,系统没有跟着错误信号做空黄金的原因。
变点检测:感知规律正在失效
Layer 3 还有另一个模块:变点检测(PELT 算法)。它解决的问题是:过去 60 天的黄金价格走势,是否存在某个时刻,使得这个时刻之前和之后的市场行为有了根本性的改变?
这个想法来自 George Soros 的「反身性」哲学:市场的规律会随参与者的集体认知而改变。一旦检测到规律断裂,说明过去学到的模型可能暂时失效——此时应该主动降低模型的置信度,收缩仓位,等待新的稳定态出现。
三层如何叠加工作(以 SVB 2023 为例) 第一层(宏观):通缩象限,联储暂停加息 → 乘数 0.75(防御性,但不极端)
第二层(市场):HMM 判断 Neutral,流动性矩阵显示 Crisis Spike → 再打折 0.80
第三层(事件):2Y 冲击归因为 Fragility(+0.10),避险型美元(+0.10) → 加回 0.20
最终乘数:0.75 × 0.80 + 0.20 = 0.80
→ 仓位保留 80%,而不是因「通缩」信号大幅减仓。结果是对的。
第四章: 数据是一切的地基——怎么防止系统欺骗自己
在介绍系统有多聪明之前,有件容易被忽视却极其重要的事值得说清楚:如果你喂给系统的数据是错的,它的输出也一定是错的,而且是以一种「看起来很对」的方式错的。
量化世界里有一个最危险的陷阱,名字叫做「前视偏差」。
前视偏差:用答案复习,然后用同样的答案考试
前视偏差的意思是:在构建历史特征或者做回测的时候,不小心用了「在当时尚不存在」的数据。结果是历史回测看起来完美,实盘立刻崩溃。
举个具体例子:地缘政治风险指数(GPR)是月度更新的,每个月底公布上个月的数据。如果我们用「当月的 GPR」来解释「当月月初」发生的价格变化,就犯了前视偏差——月底才知道的信息,怎么可能在月初就用上了呢?
正确的做法是:只用「上个月发布的 GPR 值」来填充当月所有交易日。一个字母的差别,在回测结果上可能相差好几个百分点的年化收益。
⚠️ 回测陷阱的本质
很多量化策略在历史上看起来无比完美,原因只有一个:它在用未来的信息解释过去。
规避的方式是:对每一个数据序列,明确记录它在历史上「几时才能被真正获得」,然后严格按照这个时间来对齐数据,而不是按数据标称的日期。
数据对了,还要看验证方法对不对
数据质量解决之后,还有一个问题:你怎么知道你的系统真的有预测能力,而不只是「记住了历史数据的噪声」?
最常见的错误验证方式是:在全量历史数据上训练模型,然后在同一段历史数据上评估——等于用考试答案来复习,然后用同样的答案来评分。
正确的方式叫 Walk-Forward 验证:模拟系统在实盘中的工作方式,每次只用截至某一天可得的历史数据来训练,然后在下一段从未见过的数据上评估表现,再往前推进。就像考试前只看考试日期之前的教材,然后用从未见过的真题来检验自己。
只有在这种严格条件下仍然表现良好,才能说这套系统有真实的预测价值。
第五章: 五位大师,五种答案
Regime 这个问题——「市场现在处于什么状态」——并不是量化时代才有的。历史上最伟大的交易者,都在用自己的方式回答这个问题。他们的答案各不相同,但每一种都值得我们认真思考。
我们来认识五位大师,以及他们对 Regime 的「回答」。
西蒙斯 统计主义者
**核心信念:**不需要理解市场为什么这样,只需要找到统计上可重复的模式。
**给我们的启示:**GoldMonitor 的 HMM 是他哲学的体现——让数据自己告诉你有几个隐藏状态,而不是先定义好再去验证。
达利欧 机器设计师
**核心信念:**经济是一台机器,有内在规律。弄懂机器的运作方式,就能预测它的行为。
**给我们的启示:**GoldMonitor Layer 1 的四象限直接来自他的框架。用经济学因果逻辑来约束模型,大幅减少了过拟合的风险。
德鲁肯米勒 时机猎手
**核心信念:**大钱不是靠判断方向,而是靠在正确的时间重仓押注 Regime 的转折点。
**给我们的启示:**PELT 变点检测正是「捕捉转折」哲学的量化实现。他的失败案例(1999年科技泡沫)也告诉我们:Regime 判断和时机判断是两件事。
琼斯 风险守门人
**核心信念:**永远假设自己每笔交易都可能是错的。输的时候要输得起,赢的时候要赢得大。
**给我们的启示:**GoldMonitor 的 ATR 仓位管理就是他哲学的量化版本:Regime 判断不需要完美,仓位管理对了,犯错的代价就是可控的。
索罗斯 反身性哲学家
**核心信念:**市场不只是被动反映现实,市场参与者的集体认知本身会改变现实。
**给我们的启示:**这是最深刻的警示:所有基于历史数据的模型都假设规律会持续,但规律会随集体认知改变。变点检测后主动降低置信度,就是对这个洞见的量化致敬。
五位大师,五种认识论:统计主义、机械主义、节奏主义、风险主义、反身性主义。没有哪一种是完整的真理,但每一种都在某个维度上是对的。GoldMonitor 尝试融合这五种视角,同时也清醒地知道这个融合本身并非终点。
第六章: Regime 是如何影响你的持仓的
说了这么多 Regime 的理论,来看一个最实际的问题:Regime 系统的输出,最终是怎么影响交易决策的?
从信号到仓位,只差一个乘数
GoldMonitor 的 Regime 系统最终输出一个「乘数」,范围在 0.10 到 1.50 之间。这个乘数乘以 ATR 仓位管理计算出来的基础仓位,得到最终持仓规模。
ATR 仓位管理的逻辑很简单:你愿意在每笔交易上承受的最大亏损是固定的(比如总资金的 2%),止损位设在当前 ATR 的 2.5 倍处,两者相除就是你应该买多少。黄金波动大时 ATR 大,自动少买;黄金平静时 ATR 小,自动多买。
Regime 乘数在这个基础上再做一层调整:比如, Regime 不好时乘以一个小于 1 的数来降仓,Regime 好时乘以一个大于 1 的数来加仓。
四象限的regime乘数 四种典型情景的仓位变化 2020年3月 COVID 期间 → 乘数 0.65,ATR 极高 → 最终仓位约 13% (双重收缩)
2022年联储激进加息 → 乘数 0.55,ATR 偏高 → 最终仓位约 18% (宏观逆风)
2023年 SVB 危机后 → 乘数 0.80,ATR 中等 → 最终仓位约 53% (危机中有支撑)
2024年市场预期降息 → 乘数 1.15,ATR 正常 → 最终仓位约 115% (顺风加仓)
你注意到了吗?2024 年的乘数超过了 1.0,意味着系统可以适度加杠杆。这不是随意为之,而是三层 Regime 同时给出正面信号之后,系统才被「解锁」的积极态度。大部分时候,系统都是谨慎的。
关于「永远判断正确」这件事
你可能会问:那这套系统能保证判断正确吗?
不能。没有任何系统可以。
但这不是重点。重点是:当判断正确时,仓位够大,能赚到足够多;当判断错误时,仓位够小,亏损是可以承受的。
Paul Tudor Jones 说:「我每天都认为自己做的每一笔交易都可能是错的。」这不是悲观,这是一种让他在错误时快速止损、在正确时让利润奔跑的工作哲学。
Regime 系统的真正价值,不在于「永远对」,而在于「对的时候赚得多,错的时候亏得少」。
市场不会永远按规律出牌——这正是有意思的地方.
读到这里,你已经了解了 GoldMonitor 的 Regime 系统是怎么工作的。从数据治理到三层架构,从 HMM 的状态黏性到 PELT 的变点检测,这一套系统花了大量的时间和迭代才长成现在这个样子。
这套系统,在今天的某个时刻,一定有它不擅长处理的情况。也许是一种我们还没有见过的宏观组合,也许是一个让所有历史规律都失效的结构性断裂。
这不是系统的失败,这是市场的本质。
所有的模型都是错的,但有些是有用的。关键是知道你的模型在什么情况下会出错,然后针对性地修补它。 — George Box,统计学家
GoldMonitor 每一次迭代,都来自「系统在某个真实事件中判断错误」的复盘。每次失败都让系统更好一点点。这种「发现失败 → 理解失败 → 修补失败」的循环,才是量化系统真正的进化方式。
Regime 检测的终极目标从来不是「找到永远正确的市场分类」——市场的复杂性,以及索罗斯所揭示的反身性,让这件事永远不可能。
它的目标是更谦逊的:在正确的时候放大,在错误的时候收缩,在不确定的时候诚实地说「我不确定」,然后把仓位也相应地调小。
如果你也自己动手…… 从最简单的开始:用 FRED 免费数据拉几条宏观因子,计算滚动 Z-Score,做一个投票系统。
跑完之后,找几个历史上系统判断错误的时刻,认真问自己:它为什么错了?
然后修补它。再跑。再找错误。再修补。
感谢你读到这里。
如果这篇文章帮你建立了哪怕一个新的直觉,那它的目的就达到了。