近年来,科技迅猛发展,传统金融市场领域深受新兴科技的影响,随之产生了大量基于算法和数理统计的量化投资方法,其表现已经远远超过传统投资方式。金融人才们乐于寻找市场规律,并利用相关算法和计算机编程技术自动捕捉市场机会。本文将着重介绍一个很特殊的量化投资方法——隐马尔科夫算法。该算法是机器学习当中一个非常经典的算法,拥有独特的双重随机过程。它包含一个可以直接观察到的序列和一个不能直接观察到的隐状态序列,而利用前者可以推测后者的状态,这点与市场结构极为相似。在金融市场中,我们可以观察到价格、成交量以及由它们直接计算得到的一系列指标,却不能直接观察到譬如上涨、下跌、震荡等行情。但这些行情又非常重要,因为人们都是根据它们来进行买卖操作从而获取利润的。本文将采用高斯隐马尔科夫模型在金融高频恒生指数1min数据上进行建模。首先选取6个隐状态,并将经典技术指标RSI、1min对数收益率和5min对数收益率的组合作为观测变量输入到模型中,再通过解读模型输出的隐状态含义进行量化择时。回测结果显示,该模型在所有测试时间段内都实现了正的收益,且胜率基本达到了50%,夏普比率也呈现较高的数值。本文还对所建立的模型做了进一步优化,旨在找到更好的策略。遍历常见的一些经典技术指标,并将其分别与1min对数收益率、5min对数收益率组合作为输入观测变量,接着从中筛选出回测表现效果最好的技术指标。然后,在得到的最优模型上对隐状态数目进行参数优化,通过枚举的方式确定最优的隐状态数目。最终经过实证分析得到,在恒生指数1min数据上,选择8个隐状态,且将技术指标MFI、1min对数收益率和5min对数收益率作为输入观测变量的模型择时效果最好,它的夏普比率和收益回报等回测指标都处于很高的水平。本文得出的隐马尔科夫算法在金融高频数据上的建模结果,证实了该算法在日内择时上具有很强的潜力。与此同时,将技术指标与对数收益率作为输入观测变量,也为该算法在金融市场的建模提供了全新的视角。