金融市场的状态（Regime）通常会不定期的切换并保持一段时间，市场状态的切换会直接影响到金融资产的表现及投资组合的配置。如果能有效对市场状态进行建模，预测市场状态的变换，将非常有利于投资管理决策制定及尾部风险管理。

在本篇分享中，Two Sigma提出了一个基于机器学习算法对市场状态进行建模的方案，并在历史数据测试中显示该模型能够有效的预测市场状态的变换。

近些年很多研究根据数据驱动的模型对市场状态进行划分，常用的模型有Gaussian Mixture Model (GMM)，这是一种无监督学习。GMM应用不同的高斯分布拟合不同时期的历史数据。如下图1所示，对于某单一资产的历史收益率，不同的历史区间对应了一个不同的高斯分布。

我们应用GMM对更多的资产收益进行建模，用来对整个市场的状态进行研究。实际上，具体的做法是，我们建模的对象不是所有资产的收益，而是美国市场从1970年开始17个因子的收益。我们应用GMM模型，通过对因子收益的建模，来判断市场状态的变化。

GMM模型可以比较准确的区分当前市场的状态，且历史数据测试的结果说明与历史真实状态比较一致。但GMM本身不是一个预测模型，我们只能识别当前状态，并不能预测未来状态。当准确识别当前市场状态，也能为投资组合的风险管理提供有利的数据决策。

内容中包含的图片若涉及版权问题，请及时与我们联系删除