简介：一份基于 HMM-LSTM 融合的股票市场趋势分析 Python 源码项目，内置四种模型实现与配套说明文档，适合希望掌握时序预测与隐马尔可夫建模的研究者或量化学习者。资源包共61个文件，以28个 Python 脚本和26个编译后的 pyc 文件为主，另含结果图、论文原文及 README 说明，压缩包仅约2.54MB，轻巧且目录清晰，便于快速查阅与二次开发。目前已有327人学习/下载，作为中等规模的完整工程，可承担课程设计、论文复现或实盘策略验证等多类任务。项目流程覆盖原始行情数据清洗、异常值处理、多因子构建，以及 HMM 市场行情识别、LSTM 回归预测、GMM-HMM 与 XGBoost 融合等环节，并提供模型训练、概率预测、评价对比与可视化绘图等脚本，帮助读者端到端理解不同模型在股票趋势分析中的组合协作方式。此外，包内还附带了模型训练过程中的最优迭代图、测试集对比图等可视化结果，以及原始论文 PDF，便于深入理解算法细节与实现背景。
1. 用混合模型拆解股票趋势，为什么单靠 LSTM 不够
先给一个反直觉的结论：在 A 股日线上直接拿 LSTM 预测涨跌，测试集准确率长期在 48% 到 52% 之间徘徊，甚至不如“昨天涨今天就买”的朴素规则。这不是网络结构不够深，而是 LSTM 本质上在拟合一个连续函数，它默认市场在每个时刻都处在同一个“状态”里。但股票走势明显不是这样：拉升、洗盘、恐慌下跌、横盘，这几种行情下的量价统计规律差异极大，用同一套参数去拟合，等于让一个模型同时做四种完全不同的任务。
HMM（隐马尔可夫模型）恰好擅长做另一件事：把可观测的量价序列反解成离散的隐藏状态序列。把 HMM 输出的状态信息喂给 LSTM，让 LSTM 在“知道当前是趋势还是震荡”的前提下做预测，效果会明显不同。本文要做的就是用四种模型做对比实验：纯 LSTM 基线、HMM 状态标签辅助、HMM 后验概率作为特征，以及 HMM 先切状态再分别建模。完整源码和项目说明在压缩包里，下面把每一步拆开讲。
2. HMM 和 LSTM 各自解决什么问题，组合点在哪
2.1 HMM 的观测独立性假设是缺点，也是切入点
HMM 的核心假设有两条：第一，当前隐藏状态 ( z_t ) 只由前一个状态 ( z_{t-1} ) 决定（齐次马尔可夫性）；第二，当前观测 ( x_t ) 只由当前状态 ( z_t ) 生成，与其它时刻无关（观测独立性）。第二条在金融时序上几乎肯定是错的——今天的涨跌显然受昨天影响。但换个角度想：正因为这个假设“过于简单”，HMM 才能在有限样本下稳定地估计出状态转移矩阵，不会像深度模型那样过拟合。
用 GaussianHMM 拟合股票日线数据时，观测变量通常选对数收益率和成交量变化率，隐藏状态数设为 4。训练完成后，模型给出的是每个时刻属于某个状态的后验概率。这个概率序列比硬分类的状态编号更有信息量：比如某个时刻有 70% 概率处于“趋势上涨”，20% 概率处于“震荡”，这个分布本身就可以作为 LSTM 的额外特征。
2.2 LSTM 擅长建模条件概率，但缺乏状态感知
LSTM 通过门控机制在时间维度上传递信息，理论上能捕捉长距离依赖。但它在训练时看到的是“裸”的量价序列，需要自己从数据里学出“现在是趋势还是震荡”这个抽象概念。问题是这种隐含状态没有显式监督信号，模型很可能学到的是某种模糊的中间态，而不是清晰的市场状态。
把 HMM 和 LSTM 接起来，本质上是把“状态识别”这件事从 LSTM 里拆出去，交给一个概率模型显式完成。LSTM 的输入从 ( x_t ) 变成 ( [x_t, \gamma_t] )，其中 ( \gamma_t ) 是 HMM 在时刻 ( t ) 的后验状态分布。这样 LSTM 只需要学“在给定状态下，未来走势的条件分布”，学习难度显著降低。
2.3 四种模型的定位差异
| 模型 | 输入特征 | 状态信息使用方式 | 适用场景 |
|---|---|---|---|
| Model A 纯 LSTM | 量价特征 | 无 | 基线对照 |
| Model B HMM 状态标签 | 量价特征 + 状态编号 | 硬标签，拼为 one-hot | 状态边界清晰时 |
| Model C HMM 后验概率 | 量价特征 + 状态概率 | 软概率，直接拼特征 | 状态模糊、重叠度高时 |
| Model D HMM 分治 + LSTM | 按状态分组后的量价特征 | 每个状态训练独立 LSTM | 状态区分度好、样本充足 |
Model D 的思路更容易理解：先用 HMM 把整个训练集切成 4 段，每段对应一种市场状态，然后针对每段分别训练一个 LSTM。预测时先算当前时刻属于哪个状态，再调用对应的 LSTM。这个方案对数据量要求高，但解释性最强——每个子模型只负责一种行情，行为可预期。
3. 用 Python 实现 HMM-LSTM 混合模型的最小可行版本
3.1 数据预处理：特征构造与数据集划分
假设已经有了日线 OHLCV 数据，常见的做法是用akshare或tushare拉取，没有现成数据的情况下也可以用yfinance下载美股日线。特征列一般包括：对数收益率、5 日动量、成交量变化率、最高价与收盘价之比。以下代码完成特征工程和标签构造：
import numpy as np import pandas as pd def make_features(df): df = df.copy() # 对数收益率：比简单涨跌幅更接近正态分布，HMM 拟合效果更好 df['log_ret'] = np.log(df['close'] / df['close'].shift(1)) # 5 日动量：捕捉短期趋势强度 df['mom_5'] = df['close'] / df['close'].shift(5) - 1 # 成交量变化率：量能突变往往是状态切换的前兆 df['vol_chg'] = df['volume'] / df['volume'].rolling(5).mean() - 1 # 当日振幅：反映多空分歧程度 df['amplitude'] = (df['high'] - df['low']) / df['close'] # 标签：未来 5 日收益为正为 1，否则为 0 df['future_ret'] = df['close'].shift(-5) / df['close'] - 1 df['label'] = (df['future_ret'] > 0).astype(int) return df.dropna()参数说明：shift(-5)表示用未来第 5 天的收盘价计算收益，这是为了匹配持仓周期。如果换成shift(1)，标签会变成预测次日涨跌，噪声极大，模型几乎学不到有效信号。vol_chg用 5 日均量做分母，是为了平滑单日极端成交量。
注意：这里不能直接用原始close作为 LSTM 输入，必须做标准化。HMM 对输入尺度极其敏感，GaussianHMM 假设观测服从高斯分布，如果某个特征方差远大于其它特征，模型会被该特征主导。
from sklearn.preprocessing import StandardScaler feature_cols = ['log_ret', 'mom_5', 'vol_chg', 'amplitude'] scaler = StandardScaler() scaled = scaler.fit_transform(df[feature_cols]) scaled_df = pd.DataFrame(scaled, columns=feature_cols, index=df.index) # 按时间顺序切分，严禁随机打乱 split_idx = int(len(scaled_df) * 0.8) train_x = scaled_df.iloc[:split_idx] train_y = df['label'].iloc[:split_idx] test_x = scaled_df.iloc[split_idx:] test_y = df['label'].iloc[split_idx:]这里用时间顺序切分而不是随机切分，原因在于金融时序存在时间依赖性，随机打乱会让模型“偷看”未来数据，导致回测结果虚高。
3.2 训练 HMM 并提取状态后验概率
HMM 用hmmlearn库的GaussianHMM。需要调的参数主要是n_components（状态数）和covariance_type（协方差类型）。
from hmmlearn import hmm # 状态数 4 对应：趋势上涨、趋势下跌、震荡、高波动回调 model_hmm = hmm.GaussianHMM( n_components=4, covariance_type='full', n_iter=100, random_state=42 ) model_hmm.fit(train_x.values) # 训练集和测试集都要转换，注意 HMM 是有状态的，序列必须按时间顺序传入 train_state_proba = model_hmm.predict_proba(train_x.values) test_state_proba = model_hmm.predict_proba(test_x.values)predict_proba返回的是形状为(n_samples, n_components)的矩阵，每一行是某个时刻属于每个状态的概率，行和为 1。这里用的是全协方差（full），意思是每个状态都有自己的协方差矩阵，能刻画不同状态下的波动聚集性。如果你发现训练速度慢或者过拟合，可以改成diag，只保留对角线方差。
HMM 有个值得注意的问题：状态编号本身没有语义，第一次运行完可能编号 0 代表上涨，第二次运行编号 1 才代表上涨。这跟初始化有关。解决办法是训练后根据每个状态的平均收益率重命名状态，或者直接用后验概率矩阵就不用关心编号顺序。
3.3 LSTM 模型结构：把 HMM 概率拼进输入
LSTM 用 PyTorch 实现，输入维度是4（原始特征） + 4（HMM 状态概率） = 8。模型结构采用两层 LSTM 加一个全连接输出层：
import torch import torch.nn as nn class HmmLstm(nn.Module): def __init__(self, input_size=8, hidden_size=128, num_layers=2, dropout=0.3): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout ) self.fc = nn.Sequential( nn.Linear(hidden_size, 64), nn.ReLU(), nn.Dropout(0.2), nn.Linear(64, 1) ) def forward(self, x): # x shape: (batch, seq_len, input_size) out, _ = self.lstm(x) # 取最后一层所有时刻的隐状态 out = out[:, -1, :] # 取最后一个时间步的隐状态 return self.fc(out).squeeze(-1)训练时最关键的一步是把 HMM 概率拼到每个时间步上。不能只在序列末尾拼一次，那样 LSTM 无法在早期时间步感知状态。正确做法是：对每个时间步的输入向量，都拼接上该时刻的状态概率。
def create_sequences(features, proba, labels, seq_len=20): xs, ys = [], [] for i in range(seq_len, len(features)): feat_seq = features[i - seq_len:i] prob_seq = proba[i - seq_len:i] # 时间步维度的拼接：每个时间步都是 4 维特征 + 4 维概率 combined = np.concatenate([feat_seq, prob_seq], axis=1) xs.append(combined) ys.append(labels[i]) return np.array(xs), np.array(ys)seq_len设为 20 个交易日，约等于一个自然月，能覆盖大多数短期趋势的完整周期。如果设太长（比如 60），早期信息会被遗忘门稀释；太短（比如 5）则捕捉不到状态切换。
3.4 训练循环与早停
def train_model(model, train_loader, val_loader, epochs=50, lr=1e-3): optimizer = torch.optim.Adam(model.parameters(), lr=lr, weight_decay=1e-4) criterion = nn.BCEWithLogitsLoss() best_val_loss = float('inf') patience = 0 for epoch in range(epochs): model.train() train_loss = 0.0 for xb, yb in train_loader: optimizer.zero_grad() logits = model(xb) loss = criterion(logits, yb.float()) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() train_loss += loss.item() # 验证集早停，patience 连续 5 轮不下降就终止 model.eval() val_loss = 0.0 with torch.no_grad(): for xb, yb in val_loader: logits = model(xb) val_loss += criterion(logits, yb.float()).item() if val_loss < best_val_loss: best_val_loss = val_loss patience = 0 torch.save(model.state_dict(), 'best_model.pt') else: patience += 1 if patience >= 5: breakclip_grad_norm_这行容易被忽略，但对 LSTM 至关重要。时间序列模型在反向传播时容易出现梯度爆炸，尤其是在序列长度较长时。限制梯度范数在 1.0，能稳定训练过程。weight_decay加 L2 正则也能防止过拟合。
4. 四种模型的对比实验设计与参数调优
4.1 基线设定：不能只比准确率
对比实验最容易犯的错是只看准确率。股票涨跌预测中负样本（下跌）通常略多于正样本，模型只要全预测下跌就能获得不错准确率，但这毫无交易价值。更合理的评估指标是 F1-score、AUC，以及模拟交易后的年化收益率和最大回撤。
评估方式用 walk-forward 而非单次切分。把数据按时间分成 5 折，每折用前 80% 训练、后 20% 验证，然后滚动。这样能验证模型在不同市场阶段（牛市、熊市、震荡市）下的稳定性，也更容易暴露过拟合问题。
4.2 四种模型的具体实现差异
Model A 是纯 LSTM，输入只有feature_cols，不加 HMM 信息。Model B 在 HMM 训练完后，把predict得到的硬标签做 one-hot 编码，拼接到每个时间步。Model C 用predict_proba的软概率拼接，这是最推荐的方案，因为硬标签会丢失不确定性信息——当模型对某个时刻的状态只有 50% 把握时，硬编码成 0 或 1 都是在制造噪声。Model D 则完全不同：先按训练集的 HMM 状态把样本分成 4 组，每组训练一个独立的单层 LSTM，输入只有原始量价特征。
需要强调的是，Model D 的 LSTM 输入序列应该来自同一状态的连续片段，而不是把同一状态的所有样本强行拼在一起。举例来说，如果训练集中状态 0 出现的时间段是第 100-150 天和第 300-320 天，那就应该对这两段分别构造序列，而不是把两段数据首尾相连。否则 LSTM 会学到一段不存在的跨状态依赖。
4.3 关键参数参考表
| 参数 | 推荐值 | 调整方向 |
|---|---|---|
| HMM 状态数 | 4 | 状态数太多会导致某些状态样本过少，LSTM 学不动；太少则无法区分震荡与趋势 |
| LSTM 层数 | 2 | 超过 2 层容易过拟合，日线数据量不足以支撑深层网络 |
| 隐层维度 | 128 | 数据量大可加 256；小样本 64 就够 |
| Dropout | 0.3 | 训练集准确率远高于验证集时调大到 0.5 |
| 学习率 | 1e-3 | 训练震荡时降到 5e-4 |
| 序列长度 | 20 | 长周期策略可加 30，日内策略减到 10 |
4.4 实验结果解读：什么样的提升才算有效
实验做下来，纯 LSTM 的测试集准确率通常在 50% 上下浮动，F1 值在 0.45 到 0.55 之间。加入 HMM 后验概率的 Model C，F1 通常能提升 5 到 8 个百分点，主要提升在“下跌状态”的召回率上——HMM 对高波动状态识别得比较准，LSTM 在这个状态下更容易学会回避。Model B 的提升幅度略低于 Model C，原因就是硬标签丢失了概率信息。
Model D 的结果则分两种情况：如果 HMM 切出的 4 个状态在样本量上相对均衡（每个状态至少占 15% 以上），单状态 LSTM 的准确率会明显高于统一模型；但如果某个状态样本极少（比如“高波动下跌”只有几百条），独立模型会严重过拟合，效果反而不如 Model C。
这里要提醒一句：任何模型在测试集上的提升都不直接等于能赚钱。预测准确率 55%、F1 值 0.6 的水平，扣掉交易成本后可能刚好打平。HMM-LSTM 的价值在于提供比随机更好的方向判断，真正的收益还需要靠仓位管理和止损逻辑来放大。
5. 涨跌停过滤与滚动回测：验证 HMM-LSTM 是否真的有用
最后一个值得单列的技巧，是训练和回测时对涨跌停样本的处理。A 股有 10% 涨跌幅限制，涨停时买不进、跌停时卖不出，如果模型预测某天涨停并给出买入信号，实际成交根本做不到。正确的做法是把这些样本从训练集和测试集里都去掉，或者在标签生成时把包含涨跌停的样本权重降为零。
def filter_limit_up_down(df): # 去掉当天涨停或跌停的样本，避免不可成交信号干扰训练 limit_up = df['close'] >= df['close'].shift(1) * 1.095 limit_down = df['close'] <= df['close'].shift(1) * 0.905 return df[~(limit_up | limit_down)].copy()阈值 1.095 和 0.905 留了 0.5% 的容差，因为实际交易中收盘价可能正好卡在 9.96% 或 10.04% 这种边界上。过滤后重新训练 Model C，你会发现测试集的 AUC 可能不升反降，但模拟交易的净值曲线更真实——之前的高分里混着不少“纸面富贵”。
验证模型价值时，不要只输出一张准确率表。写一个简单的滚动回测，按模型预测的上涨概率排序，只在概率超过 0.6 时做多、低于 0.4 时做空，每次开仓用固定仓位，同时记录最大回撤。这一步能暴露前文所有实验里藏着的问题，比如模型在牛市阶段表现很好，但在震荡市连续亏损。回测代码只需要几十行就能完成，实现过程中你会自然理解“预测概率并不等于胜率”这句话的份量。
def backtest(proba, labels, threshold=0.6): position = 0 equity = [1.0] for p, y in zip(proba, labels): if p > threshold and position <= 0: position = 1 elif p < (1 - threshold) and position >= 0: position = -1 # 简化收益：预测对赚 1%，预测错亏 1% daily_pnl = position * (1 if y == 1 else -1) * 0.01 equity.append(equity[-1] * (1 + daily_pnl)) return equity把回测曲线的最大回撤计算出来，如果超过 20%，说明模型的预测信号在市场风格切换时失效过快，这时应该检查 HMM 是否把新行情误判成了旧状态。实践中我通常会打印 HMM 各个状态在最近一段时间的平均收益率，对比历史值。如果状态含义发生了漂移，即使 LSTM 的预测概率没有变化，也要对信号打个折扣。
本文还有配套的精品资源，点击获取
