你看到天气预报说下雨概率升到六成，不一定立刻取消出门。还要看取消的代价、淋雨的损失，以及再等一会儿会不会得到更可靠的信息。量化交易也一样：模型觉得市场可能已经“变天”，不等于此刻就值得调整仓位或对冲。
Karl Kristian Engelund 的这篇论文研究的正是两者之间的距离。它把状态识别与行动时点分开：先用持续到来的数据判断市场处于什么状态，再决定证据是否已经充分到值得行动。论文讨论的是 regime detection——市场状态检测——及其最优停止规则，并不是一套可直接使用的换仓策略。全文目前来自 arXiv，本文所述结果也只有论文这一项独立信源。
概率变了，为什么还不能行动？
状态切换模型（regime-switching model）假设市场会在几种不能直接观察的状态间转换。比如，波动率突然上升，可能只是一次短暂扰动，也可能意味着市场已经进入长期高波动状态。
模型通常用贝叶斯过滤（Bayesian filtering）处理这个问题：每来一条新数据，就更新各状态的后验概率，也就是“看完目前证据后，对每种状态有多相信”。但后验概率只回答“现在更像哪种状态”，没有回答“现在行动划不划算”。
原因很实际。过早行动可能误报，白白承担调整成本；继续等待可能错过时机，让损失扩大；即使确认状态发生变化，也可能认错究竟进入了哪一种状态。论文因此把决策写成三类代价之间的权衡：false alarm（误报）、detection delay（检测延迟）和 misclassification（状态误判）。决策包含两件事：什么时候停止观察，以及停止时宣布进入了哪个状态。
这就是最优停止（optimal stopping）：每个时点都比较“立刻行动”和“再等一等”的预期损失。换句话说，最可信的状态未必马上对应最合理的动作。
难点不只是看不见状态
直觉上，人们或许会给后验概率设一道门槛：超过某个数就行动。论文指出，一般情况下，仅凭当前的状态概率并不够。相同的概率可能来自不同的数据路径，而这些路径对下一步如何变化的含义并不相同。用数学语言说，后验状态概率通常不是马尔可夫的——只看当下这个数，无法完整概括与未来决策有关的信息。
论文先用 single-change-point Heston model 做基准。Heston model 是一种随机波动率模型：资产价格之外，波动率本身也会随机变化。这里再加入一次结构变化，让波动率的长期均值从一种状态切换到另一种状态，并在变化后保持下来。
如果假设方差可以直接观察，问题可压缩成一个二维马尔可夫状态：当前方差加上状态后验概率。此时，作者把决策描述成二维 free-boundary problem（自由边界问题）：边界一侧继续观察，另一侧停止并作出判断。关键点是，边界不能只由后验概率决定；同样的概率配上不同的方差水平，合理选择可能不同。
现实版本更麻烦。论文假设只能观察资产价格，方差是潜在变量。作者不再用一个方差估计值代替真实方差，而是保留“潜在因子与隐藏状态的完整条件分布”。这相当于不只记下最可能答案，还保留所有候选答案及各自权重。这样得到的是 measure-valued optimal stopping problem——以概率分布本身作为状态的最优停止问题。
把一整张概率地图带进决策
完整概率分布信息更丰富，却不能直接塞进普通的低维算法。论文采用 particle filtering 与 Monte Carlo dynamic programming 做近似。
粒子滤波（particle filtering）用许多带权模拟样本表示隐藏状态的分布；新数据到来后，样本权重随之更新。蒙特卡洛动态规划则从未来往回计算，在不同信息状态下比较立刻停止与继续等待的预期代价。前者负责描述“市场可能在哪里”，后者负责回答“基于这份不确定性，现在该不该停”。
这一区分也是论文设计对照实验的重点。在 Heston 实验里，作者设置了一个 oracle rule——假设真实方差可见的理想规则——并比较多种现实可行的 plug-in rule。所谓 plug-in，是先用 realized variance（由价格变化估算的已实现方差）、EWMA（对近期数据赋予更高权重的指数加权移动平均）或粒子滤波点估计代替隐藏方差，再把估计值放进理想规则。
其中，PF plugin 与论文方法使用同一份后验概率估计。两者的主要区别不是“谁看见了更多信息”，而是前者把估计结果代入现成边界，后者在部分信息条件下重新优化停止决策。这让实验更接近论文真正想检验的问题：改进来自更好的状态识别，还是来自认真处理“何时行动”。
有意思的不是又多一个预测器
论文报告了两组数值实验。一组使用带测量噪声的 regime-switching Vasicek model——用于描述利率围绕长期水平回归的模型——考察粒子数量和回归特征等近似设置。另一组回到 single-change-point Heston model，比较潜在方差程序、理想规则和多种可行代理规则。
按作者报告，在所考察的采样频率下，粒子滤波加蒙特卡洛动态规划的方法，其估计损失低于可行的代理规则；相对于共享同一后验估计的 PF plugin，改进具有统计显著性。供稿文本没有完整保留相应数值，因此不能说明究竟低了多少。
这项工作的价值，不在于证明某个“变盘信号”更准，而在于提醒量化研究把两个问题分开评估：第一，模型是否正确识别了状态；第二，在误报、迟报和认错状态的代价下，是否选择了合适的行动时点。过滤器给出的是信息，决策规则才把信息变成动作。
局限与未知
- 两组实验都采用示意性参数，并非针对特定市场数据校准；论文没有给出真实交易、样本外表现或交易成本结果。
- “可以优于”只适用于文中的 Heston 与 regime-switching Vasicek 数值实验及其对照规则，不能外推为普遍优于传统策略。
- 论文讨论状态检测与停止决策，虽然以再平衡等有成本的金融行动说明动机，但没有提供具体投资组合构建或换仓方案；作为 arXiv 论文，其结果也尚无材料所示的同行评审与独立复现。