为什么不同市场状态，需要不同的历史统计？

上一篇文章讨论了如何以昨日收盘价为起点，通过当日最高价和最低价构造历史波动样本，并计算目标价格的历史触达比例。

假设统计结果显示，某只 ETF 向上 0.3% 的历史触达比例是 70%。

看到这个数字后，一个新的问题很快出现：

如果当前市场正在上涨、下跌或震荡，这 70% 仍然是合适的参考吗？

整体统计把不同环境中的交易日放在了一起。但价格在上涨趋势和下跌趋势中，可能并不服从相同的历史分布。

因此，这次实验需要从“过去通常发生什么”继续向前一步：

在什么市场状态下，这件事过去更容易发生？

整体统计隐藏了什么？

整体触达比例的计算并没有错：

整体触达比例
= 触达目标的样本数
÷ 全部有效样本数

问题在于，“全部有效样本”可能同时包含多种环境：

全部历史样本
    ├── 上涨状态
    ├── 震荡状态
    └── 下跌状态

假设一组演示数据如下：

向上 0.3% 的历史触达比例

上涨状态：85%
震荡状态：70%
下跌状态：40%

全部样本：70%

70% 准确描述了全部样本，却没有展示状态之间的差异。如果研究的是下跌状态，直接使用 70% 可能高估这个向上目标过去的触达频率；如果研究的是上涨状态，它又可能低估。

这并不意味着整体统计没有价值。它仍然可以作为观察全局的起点。只是当结果随着环境变化时，还需要把问题限定得更具体。

什么是市场状态？

市场状态，也常被称为 Market Regime，是对一段市场环境的分类。

它不是“明天一定上涨或下跌”的预测答案，而是尝试用可以计算的条件描述当前环境。例如：

• 趋势状态：阶段上涨、阶段下跌或区间震荡；
• 波动状态：高波动或低波动；
• 流动性状态：成交活跃或成交清淡；
• 市场范围：整体市场偏强、偏弱或分化。

不同研究可以采用不同定义。趋势既可以用过去一段时间的涨跌幅描述，也可以用均线方向或价格结构描述；波动既可以用历史波动率，也可以用真实波幅等指标描述。

关键不在于找到唯一正确的分类，而在于把定义写清楚，让同一份数据能够得到相同的状态标签。

状态明确以后，就可以把整体统计改写成条件统计。

条件统计怎样计算？

整体统计回答：

在全部历史样本中，目标价格有多少比例曾经触达？

条件统计则回答：

在满足某种市场状态的历史样本中，目标价格有多少比例曾经触达？

假设 1000 个有效样本中，有 300 个被划分为上涨状态，其中 255 个样本向上触达了 0.3%。那么：

上涨状态下的触达比例
= 255 ÷ 300
= 85%

同样的方法可以分别计算震荡和下跌状态：

某状态下的目标触达比例
= 该状态中触达目标的样本数
÷ 该状态的全部有效样本数

研究由此从一个无条件问题：

历史上，向上 0.3% 出现得有多频繁？

变成一个带有明确条件的问题：

历史处于上涨状态时，向上 0.3% 出现得有多频繁？

条件改变了，参与统计的样本也随之改变。这就是不同市场状态可能需要分别统计的原因。

为什么做 T 更需要观察市场状态？

做 T 研究通常关心较短时间内的价格波动。同样是距离昨日收盘价 0.3% 的目标，在不同状态下可能面对不同环境：

• 上涨状态中，向上目标可能更容易触达，向下目标可能更难触达；
• 下跌状态中，情况可能相反；
• 高波动状态中，上下两个方向都可能走得更远；
• 低波动状态中，较远目标的触达比例可能同时下降。

因此，只观察一个向上目标还不够。更完整的比较应该同时检查：

• 向上和向下触达比例；
• 触达幅度的完整分布；
• 极端样本和反向风险；
• 交易成本与实际成交条件。

市场状态分析不是为了挑出一个最好看的概率，而是帮助我们理解：同一个目标距离，在不同环境中可能对应怎样的机会与风险。

不过，在拆分样本之前，还有一个很容易忽略的问题：状态是什么时候确定的？

状态为什么必须在结果发生前确定？

假设我们要研究“上涨状态下，第二天向上 0.3% 的触达比例”。上涨状态只能使用第二天开始以前已经知道的数据定义。

例如，可以使用截至昨日收盘时的过去 20 日涨跌幅或均线方向。不能看到第二天已经大涨以后，再把这一天归入上涨状态。

研究顺序应该是：

使用昨日及以前的数据判断市场状态
    ↓
观察今日最高价和最低价
    ↓
计算今日是否触达目标

如果状态定义使用了结果当天尚未发生的数据，就把未来信息带进了历史实验。此时统计结果可能很好看，却无法在真实时间中复现。

所以，一项可验证的状态统计至少需要明确：

• 状态使用哪些数据；
• 在什么时间点计算状态；
• 状态何时生效；
• 随后的结果观察多长时间。

时间顺序固定以后，才能继续讨论怎样划分状态。

状态划分得越细越好吗？

不一定。

如果只分上涨、震荡和下跌，分类可能过于粗略，不同波动环境仍然混在一起。但如果不断增加条件：

上涨趋势
+ 成交量增加
+ CCI 低于 -100
+ 波动率下降
+ 某条均线向上

最后可能只剩下很少样本。

这形成了一项需要平衡的取舍：

状态过少
    ↓
不同环境仍然混合

状态过多
    ↓
样本数量下降
    ↓
结果更容易受到偶然行情影响

如果测试了大量指标和阈值，再挑出历史结果最好的一组，还可能产生过拟合：分类看似精确，实际只是贴合了已经看过的数据。

因此，状态分类至少应该满足几个条件：

• 定义明确，能够重复计算；
• 使用的信息在当时已经可得；
• 每种状态保留足够的有效样本；
• 分类与研究问题存在可以解释的关系；
• 参数小幅变化时，结果不会完全反转。

分类只是提出了一项新的假设。不同状态下出现差异，还不等于差异已经可靠。

怎样判断状态拆分是否真的有意义？

假设上涨状态的触达比例是 85%，下跌状态是 40%。两个数字相差很大，但在采用它们之前，还需要继续检查：

• 每种状态分别有多少样本；
• 样本是否集中在少数年份或单轮行情；
• 状态定义稍作调整后，差异是否仍然存在；
• 不同品种是否呈现可以解释的相似结果；
• 未参与规则设计的新样本中，差异是否继续出现。

如果上涨状态只有 10 个样本，其中 8 个触达目标，80% 的结果仍然可能非常不稳定。新增一两个样本，就可能让比例明显变化。

还要注意，市场状态通常不会整齐切换。趋势可能逐渐形成，也可能快速反转；同一天可能同时具备上涨趋势和高波动特征。分类边界附近的样本，往往最难判断。

因此，更准确的阶段性结论不是：

市场可以被准确分成几类，每一类都有固定概率。

而是：

在明确的分类规则下，不同状态的历史样本是否呈现出值得继续验证的分布差异。

当前结论

整体历史统计把所有环境放在一起，适合回答：

过去全部样本中，某个结果出现得有多频繁？

市场状态分析则进一步追问：

在某种明确状态下，这个结果过去出现得有多频繁？

研究路径可以整理为：

构造全部历史样本
    ↓
定义可以实时判断的市场状态
    ↓
按状态拆分样本
    ↓
比较触达比例与完整分布
    ↓
检查样本量、稳定性与样本外结果

对于做 T 研究，真正需要关注的不只是“过去向上 0.3% 的比例是多少”，而是：

在明确的市场状态和统计口径下，向上与向下目标的历史分布发生了怎样的变化？

这种拆分不能消除未来的不确定性，也不会自动产生交易规则。它只是让参与比较的历史样本，更接近正在研究的具体问题。

到这里，新的问题随之出现：

趋势、波动和流动性都可以用不同方法定义，怎样判断一种市场状态划分是否足够稳定、值得用于后续实验？

下一篇：

《如何判断一个市场状态是否值得使用？》