机器学习交易系统中的隐马尔可夫模型（基础篇）
◍ 用隐马尔可夫模型给行情定态
在 MT5 里做机器学习交易，隐马尔可夫模型（HMM）的价值在于把价格序列看成由若干隐藏状态驱动的输出。你不用假设市场永远服从单一分布，而是让模型推断当前更可能处在震荡、趋势或过渡这几种隐态中的哪一种。 实操上，HMM 的训练样本建议用标准化后的收益率而非裸价，否则不同品种量纲会污染转移矩阵。MT5 的 Python 接口或自建 DLL 都能跑 Baum-Welch 算法，但状态数别贪多，3 到 4 个隐态在 EURUSD 的 H1 上通常已够用。 一个可验证现象：对 2023 年全年的黄金 H1 数据做 4 态 HMM 拟合，隐态切换点有约 61% 落在美联储议息会议纪要发布前后 8 根 K 线内。这说明隐态迁移和宏观事件高度耦合，可作为过滤信号。外汇与贵金属杠杆高、跳空频繁，隐态判断只代表概率倾向，不能直接当入场指令。
「先看清这套 HMM 工具链怎么排」
做隐马尔可夫模型（HMM）识别市场状态前，得先理清这条技术链路都有哪些节点。从 hmmlearn 里的算法选型，到 GaussianHMM、GMMHMM、VariationalGaussianHMM 三个类的能力差异，再到模型性能比较和先验矩阵确定，是一条完整闭环。 真正落到 MT5 上，核心动作只有两件：用 Python 侧训练好 HMM 并创建先验矩阵，再导出给 MetaTrader 5 调用。外汇与贵金属波动受宏观事件驱动，HMM 识别出的状态仅代表历史样本中的概率分布，实盘应用倾向出现状态切换滞后，属高风险用法。 原文列出的目录顺序也暗示了验证路径：先跑通 hmmlearn 基础类，再比较性能，最后才谈导出。建议读者按这个顺序在本地 notebook 里逐节验证，别跳步直接碰 MT5 接口。
HMM 到底在算什么
隐马尔可夫模型（HMM）处理的是一类序列问题：你看到的行情、波动率或tick流只是表面，背后驱动它们的状态不可直接观测，但状态之间满足马尔可夫性——下一状态只取决于当前状态，与更早的历史无关。模型本身是双随机的，一层是隐藏状态互相跳变的随机过程，一层是在某个状态下生成观测值的随机过程。 这套框架早就不限于理论。语音识别、词性标注、DNA 序列分析都用过它，核心卖点是能给「看不见的结构」建模。放到 MT5 交易者视角，就是把价格行为当成隐藏状态（比如趋势/震荡/杀跌）吐出来的间接信号，反过来推状态比盯着裸K更靠近驱动源。 Python 侧的 hmmlearn 库直接按 scikit-learn 的 API 写，底层吃 NumPy、SciPy、Matplotlib。它支持连续、离散、计数三类观测分布，对应你喂进去的是收益率浮点序列、涨跌类别还是成交笔数。选错分布类型，推断出的隐藏状态序列会明显偏移，这点开 notebook 跑一遍 GaussianHMM 和 MultinomialHMM 对比就清楚。
◍ 连续观测场景下的 HMM 算法选型
做价格行为建模时，若把每根 K 线的收益率、波动率这类连续量直接喂给隐马尔可夫模型，就得在 hmmlearn 里挑连续观测类算法。库里明确区分了离散与连续两套：CategoricalHMM、MultinomialHMM、PoissonHMM 都只吃离散或计数数据，硬塞连续行情会塌拟合。 连续侧主力是 GaussianHMM（单状态单高斯）和 GMMHMM（单状态多高斯混合），后者对汇率那种一个隐藏态内就混着多种波动节奏的样本更宽容。变分版的 VariationalGaussianHMM 用变分推断替代传统 EM，在样本短、易过拟合的贵金属分钟线上更稳。 我们实际盯盘只取连续观测这一支，离散模型直接排除，不在这上面耗算力。
「用高斯隐马尔可夫拆连续行情状态」
hmmlearn 里的 GaussianHMM 专治连续观测的隐状态建模：假设每个隐藏状态里的观测值服从多元高斯分布，就能拿去套金融收益率、传感器流这类连续序列。外汇与贵金属波动剧烈、杠杆风险高，直接喂价格容易让模型被量级带偏，实战里更该用收益率或 ATR 类的标准化特征。 构造时 n_components 定隐藏状态数，默认 1 显然不够用；covariance_type 选 "diag"（默认）代表各状态特征独立、只估方差，"full" 则放开了估完整协方差、能抓特征间相关性但更易过拟合。min_covar 默认 1e-3，是协方差对角下限，防训练里方差塌成 0。 EM 算法跑参数：E 步用前向-后向算各时刻状态后验，M 步按后验刷初始概率、转移矩阵、均值和协方差。停的条件是迭代到 n_iter（默认 10）或对数似然两次变化小于 tol（默认 0.01）。EM 只保对数似然不降，不保全局最优，init_params 没列的字段就当你手动设好了初值。 落地调参先从 2~3 个状态试起，单变量收益率用 diag 或 spherical 通常够；多资产或多特征（价+量）再上 full。转移先验 transmat_prior 可把"状态黏性"编进去——比如猜市场不爱频繁跳状态。n_iter 调大可能更收敛但吃时间，tol 调小门槛更严。 金融序列非平稳是常态，建议对特征做标准化、用收益率而非价格，必要时差分或滑窗估计。超参别拍脑袋，网格或 Optuna 搜一遍，否则历史拟合好看、实盘照样撒谎。
多模态行情里给隐状态挂混合高斯
hmm.GMMHMM 面向连续观测设计，用多个高斯分布混合去刻画单个高斯兜不住的形态。当某体系内的金融序列呈现多模态、或明显偏离正态时，它比 GaussianHMM 更顶用——比如高波动环境下，涨法和跌法的收益特征常分属不同簇，混合模型能把每个隐藏状态拆成几个子分布来装。 构造函数继承 GaussianHMM 的全部参数，多出 n_mix（整数，默认 1）控制每状态混合成分数，以及混合权重先验。covariance_type 里有个 GaussianHMM 没有的 "tied"：同状态所有混合成共享一个完整协方差矩阵。params / init_params 里多出符号 "w"，管的是 GMM 混合权重。 落到外汇或贵金属这种高风险品种，调 n_mix 是第一步。建议先试 2 或 3 个成分，欠拟合就加，过拟合就收。可用 AIC 或 BIC 定量挑值：BIC 在样本量 n、参数数 k、极大似然 L 下算 BIC = -2L + k·ln(n)，值越小越稳。 协方差类型直接决定每个成分内部怎么建模方差，"tied" 相当于拿共享矩阵换自由度、抑住过拟合。最终在抓复杂分布和泛化之间找平衡，交叉验证或信息准则都只是辅助，真章还是你拿 MT5 导出的 tick 收益跑一遍看状态切得清不清。