本文以Leonard E. Baum等人提出的隐马尔可夫模型（HMM）为理论基础，基于历史会重演的理论假设，在识别当前行业所处状态的基础上，通过计算当前行业所处状态序列与历史中该行业未来出现显著上涨或下跌时所有状态序列的平均相似度，以此预测当前行业未来的上涨概率，进而构建行业轮动策略。
　　隐马尔可夫模型：隐马尔可夫模型由初始状态概率向量、状态转移矩阵和观测概率矩阵决定。和决定状态序列，决定观测序列。在隐马尔可夫模型中针对观测变量、隐藏状态以及两者之间的关系可以产生三个典型问题：概率计算问题、学习问题、预测问题。
　　样本内收益稳定：2022年费后超额收益超过7%、2023年费后超额收益超过9%，最大回撤分别为3.50%、3.40%。从胜率来看，2022年胜率为66.67%，而2023年胜率更是高达91.67%，全年12个月份，只有一个月跑输30个中信一级行业平均收益；2022年和2023年的超额收益年化波动均低于6%，表现不错。
　　样本外收益持续：从2024年前8个月的超额收益来看，费后累计超额收益为10.75%，年化超额收益为16.54%，显著高于样本内。样本外最大回撤仅为2.8%，比样本内低接近1%；同时样本外的月盈亏比为1.91，该数据也显著优于样本内。
　　样本外Top行业实际收益排名靠前：2024年前8个月中有5个月的平均名次在前15.5名以内，其中1月以及6月的平均名次更是位于前10名。此外前8个月中第1名出现4次，前3名共计出现8次，前5名共计出现13次，前10名共计出现20次，前15名则共计出现28次，相对于总样本数量占比58%，接近五分之三。
　　2024年9月份Top行业：基于隐马尔可夫算法行业轮动模型所选择的Top行业为石油石化、煤炭、家电、非银行金融、通信以及综合金融等六个行业。
　　风险提示：报告中所涉及测算均基于历史数据，未来市场可能发生变化，历史会惊人相似，但并不会简单重复；由于金融市场数据不一定完全服从正态分布，可能影响隐马尔可夫模型的准确性，进而对当前行业所处状态做出误判，不利于模型对行业未来上涨概率进行预测，最终影响行业轮动模型效果。