在传统的因子投资框架中，一个隐含的强假设是平稳性。无论是经典的 Fama-French 三因子模型，还是后来扩展的五因子模型，往往假设因子在长期内具有相对稳定的风险溢价。然而，金融市场的演化本质上是动态的，因子表现具有显著的周期性。

传统的隐马尔可夫模型（Hidden Markov Model, HMM）常被用于识别市场状态，但其在金融应用中存在两个主要缺陷：

高换手率：HMM 对状态转换的惩罚机制较弱，导致在噪声较大的金融数据中频繁切换状态，产生不可忽视的交易成本。

特征静态性：传统模型通常假设驱动状态的输入特征（如利率、波动率等）是固定不变的。

然而，在不同的宏观周期中，驱动因子的核心变量往往会发生漂移。本文提出一种基于统计跳跃模型（JM）的改进框架，通过引入“跳跃惩罚”项来控制状态切换频率，并结合最优特征选择算法，动态地调整输入特征集，从而构建一个对市场状态高度感知的因子配置系统。

#星翰策略研发#