如果你按天气决定穿衣，关键不只是准备几套衣服，还得先把天气认对。把阴天误判成晴天，衣柜再精细也没用。跨资产配置也一样：股票、债券、黄金、外汇和 Bitcoin 的关系会随市场变化，用一套历史规律管到底，很容易在环境切换时失灵。
这篇论文尝试先识别市场状态，再配置资产。作者把 Gaussian Hidden Markov Model（HMM，高斯隐马尔可夫模型）接入 Nested Clustered Optimization（NCO，嵌套聚类优化），构成一套战术资产配置框架。想法很完整，但论文自己的结果也给出一个重要提醒：状态识别不准时，复杂系统未必比普通配置更稳。
本文数据、结果与结论均来自 Supriadi 的这篇 arXiv 论文，尚无独立研究交叉验证。
先认环境，再重新组队
市场状态是对环境的粗略分类。论文分为 Bullish、Sideways/Neutral 和 Bearish，也就是上涨、横盘和下跌三类。HMM 假定这些状态无法直接看到，只能根据收益、波动等数据推断当前最可能处于哪一种，并估计状态如何转换。
为避免“偷看答案”，作者在每个决策点只使用当时及此前的数据重新拟合 HMM，再延迟一个执行期应用权重。这是对 look-ahead bias（前视偏差，即回测时误用了未来信息）的因果化设计。不过，设计上不看未来，并不自动保证整个回测不存在数据对齐或参数选择问题。
识别状态后，论文没有直接规定“熊市买黄金、牛市买股票”之类的硬规则。状态信息进入三个更底层的环节：协方差估计、层次聚类和权重优化。
协方差矩阵记录每项资产自身波动，以及资产之间是否同涨同跌。它是组合风险计算的核心输入，也很容易受样本误差影响。NCO 的做法是先把行为相近的资产分组，在组内优化，再在组间优化。可以把它理解为先安排各小组内部的座位，再协调小组之间的距离，避免一次处理所有关系。论文进一步让这些分组和风险关系随市场状态改变，并用收缩正则化稳定协方差估计。
组合采用只做多、资金全部投入的约束。再平衡不只看日历：状态转换，或目标权重变化超过阈值时，才触发交易。理论上，这能在及时应对市场变化与控制交易成本之间找平衡。
回测很具体，结论却不支持标题式叙事
研究覆盖五类以印尼市场或 IDR 计价的资产：Indonesian government bonds（SBN）、LQ45 equity index、黄金、CNY/IDR 和 Bitcoin/IDR。观察期为 2019 年 1 月至 2025 年 8 月；前24个月训练，2021年1月至2025年8月进行56个月的样本外滚动回测。每月持有一期，估计窗口为24个月。交易成本按每次权重变动的0.10%计算，但没有计入滑点、市场冲击和货币对冲成本。
HMM 把样本外阶段划为17个月上涨、30个月横盘和9个月下跌。问题是，状态的经济含义发生了漂移：被标成“上涨”的月份里，LQ45 平均月收益反而是 -1.23%；“横盘”状态下则为 0.56%。作者将其归因于训练期之后的结构变化，以及短滚动窗口下的参数不稳定。
这种漂移最终传到了配置结果。Regime-NCO 的最大回撤为4.44%，确实低于等权组合的15.27%和买入持有的21.17%；波动率也只有4.84%，明显低于两者的13.02%和17.56%。如果只和高波动、高收益的被动组合相比，它看上去很防守。
但更关键的对照是“不识别状态的 NCO”。后者最大回撤只有2.19%，CVaR 95%——用于观察较差尾部损失的指标——为1.68%；Regime-NCO 则分别是4.44%和3.16%。标准 NCO 的累计收益为29.57%，Regime-NCO 只有5.44%。论文摘要称新框架能够限制尾部风险，但其结果并不能证明加入 HMM 后比原版 NCO 更好。
风险调整后的表现也不理想。Regime-NCO 的年化 Sharpe ratio（每承担一单位波动获得的超额回报指标）为 -0.9522，标准 NCO 为 -0.0084，等权组合为0.5551。Regime-NCO 与标准 NCO 的 Jobson–Korkie 检验得到 ，在5%水平下不显著。这个检验用于比较 Sharpe ratio，不能证明最大回撤或尾部风险改善具有统计显著性。
自适应再平衡，实际上几乎每月都动
论文原本希望状态变化或权重明显漂移时才交易。但样本外56个月里，系统再平衡55次，平均月度换手率约27%。换句话说，“按事件触发”在这段回测中几乎退化成固定月度再平衡。
结果也很直接：月度固定再平衡的净年化收益为5.44%，部分自适应设置为5.25%至5.82%，最大回撤都为4.44%，差别有限。完全不再平衡的对应收益为8.49%，最大回撤为4.69%。作者因此承认，频繁切换带来的交易成本拖累了净收益，并提出未来需要给状态转换加平滑或切换惩罚。
为什么仍值得关注
这篇论文的价值，不在于它已经证明“先识别状态一定更好”，而在于它把一条完整链路摆到了台面上：只用历史信息识别状态；按状态重估资产关系；用分层聚类降低优化难度；最后让状态变化决定何时交易。
它也展示了两个不同问题。NCO 主要处理权重对协方差估计误差过度敏感；HMM 试图处理资产关系随环境漂移。把两者连接起来很自然，但前一层的状态标签一旦漂移，后面的协方差、聚类和权重都会建立在错误环境上。复杂度增加了，稳定性却没有自动增加。
局限与未知
- 样本外只有56个月、资产只有5项，聚类能发挥多少作用有限；研究又以印尼市场和 IDR 计价资产为主，不能直接外推到其他国家或更广的资产池。
- HMM 使用24个月滚动窗口，论文已观察到状态含义漂移和几乎逐月切换。状态识别虽按时间因果执行，仍需进一步核查标签生成、参数调优和资产数据对齐是否存在信息泄漏。
- 成本模型只计0.10%的比例交易费，未覆盖滑点、市场冲击和货币对冲成本。现有结果也没有证明自适应再平衡优于固定再平衡。
所以，这项研究更像一次有价值的压力测试，而不是成功宣言。它说明跨资产配置确实应该重视市场状态，也说明“先识别状态”最难的部分，恰恰是能否持续、稳定地把状态认对。