覆盖美股全行业 + 恒生指数成分股共 106 只，7大策略依据实时Markov 区制动态混合。 牛市追踪动量与反转，熊市优先资本保全——年化波动率仅 SPY 的 2/3，夏普显著领先。
| 年份 | Markov Fund 模型 | SPY 基准 | 超额收益 | 最大回撤（模型） | Markov 区制 | 结果 |
|---|---|---|---|---|---|---|
| 1996 | +21.3% | +17.9% | +3.5pp | — | ★ 模型胜 | |
| 1997 | +44.3% | +33.1% | +11.2pp | — | ★ 模型胜 | |
| 1998 | +33.7% | +28.0% | +5.7pp | — | ★ 模型胜 | |
| 1999 | +24.6% | +20.7% | +3.9pp | — | ★ 模型胜 | |
| 2000 | +27.8% | -8.8% | +36.7pp | — | ★ 模型胜 | |
| 2001 | +2.3% | -11.8% | +14.1pp | — | ★ 模型胜 | |
| 2002 | -0.8% | -21.6% | +20.8pp | — | ★ 模型胜 | |
| 2003 | +30.5% | +28.2% | +2.4pp | — | ★ 模型胜 | |
| 2004 | +15.2% | +10.7% | +4.5pp | — | ★ 模型胜 | |
| 2005 | +16.8% | +5.3% | +11.5pp | — | ★ 模型胜 | |
| 2006 | +19.6% | +13.8% | +5.8pp | — | ★ 模型胜 | |
| 2007 | +23.9% | +5.1% | +18.8pp | — | ★ 模型胜 | |
| 2008 | -6.7% | -36.2% | +29.5pp | — | ★ 模型胜 | |
| 2009 | +22.2% | +22.7% | −0.4pp | — | SPY 领先 | |
| 2010 | +15.6% | +13.1% | +2.4pp | — | ★ 模型胜 | |
| 2011 | +5.9% | +0.9% | +5.0pp | — | ★ 模型胜 | |
| 2012 | +13.6% | +14.2% | −0.6pp | — | SPY 领先 | |
| 2013 | +21.1% | +29.0% | −7.9pp | — | SPY 领先 | |
| 2014 | +12.9% | +14.6% | −1.7pp | — | SPY 领先 | |
| 2015 | +3.5% | +1.2% | +2.3pp | — | ★ 模型胜 | |
| 2016 | +20.9% | +12.0% | +8.9pp | — | ★ 模型胜 | |
| 2017 | +53.1% | +21.7% | +31.4pp | — | ★ 模型胜 | |
| 2018 | -3.1% | -4.6% | +1.5pp | — | ★ 模型胜 | |
| 2019 | +22.3% | +31.2% | −8.9pp | — | SPY 领先 | |
| 2020 | +28.0% | +18.3% | +9.7pp | — | ★ 模型胜 | |
| 2021 | +23.3% | +28.7% | −5.4pp | — | SPY 领先 | |
| 2022 | -16.1% | -18.2% | +2.1pp | — | ★ 模型胜 | |
| 2023 | +18.2% | +26.2% | −8.0pp | — | 牛市（AI科技爆发元年） | SPY 领先 |
| 2024 | +23.0% | +24.9% | −1.9pp | — | 牛市（AI延续+大选行情） | SPY 领先 |
| 2025 | +15.2% | +17.7% | −2.5pp | — | 震荡市（制度多次切换） | SPY 领先 |
| 2026 YTD | +3.9% | +5.0% | −1.1pp | — | 牛市低波动（当前） | SPY 领先 |
⚠️ 关于跑输的说明： 2023–2024 年模型跑输 SPY 是预期内的正常结果——当市场由极少数科技巨头主导时， 分散化多资产组合必然承受"分散折价"。真正的价值体现在： 更低的波动率（10.1% vs 15.0%）、更小的回撤（−12.7% vs −18.8%）、 以及在市场轮动 / 震荡时期的稳定超额。这正是 Markov Fund 策略体系的核心价值主张。
计算所有资产过去12个月（跳过最后1个月）的收益率，选取前50%强势资产等权持有。 "强者恒强"是股市最持久的异象——牛市趋势明确时，此策略贡献最大。
用相关性矩阵做层次聚类，将资产分组；再在每个聚类分支内按波动率反比分配权重。 不依赖协方差矩阵求逆，对极端相关结构更稳健。
每个资产对组合总风险的贡献相等（等风险贡献，ERC）。 波动率越低的资产获得更高权重，确保没有单一标的主导组合风险。
全局最小化组合波动率（w'Σw）的数学优化解。 熊市高波动区制中权重高达40%，是"资本保全"模式的核心支柱。
最大化「分散化比率」= 资产加权波动率之和 / 组合波动率。 偏爱波动率高但互相低相关的资产，每单位风险带来最大的分散效果。
在 MDP 基础上，用 Ledoit-Wolf 收缩估计量替代样本协方差矩阵， 大幅降低高维资产池下的参数估计误差，在震荡市中更稳健。
捕捉短期（1个月）超跌反转信号，与 MDP 权重混合使用。 在恐慌性抛售后寻找反弹机会，主要在震荡/熊市区制中贡献权重。
💡 如何读懂这个信号：
入场信号不是"该不该持仓"的指标——当前牛市中，策略组合已满仓运行。
这是专门识别熊市底部逢低加仓机会的工具：
SPY 大幅下跌后，4个维度综合评估"现在抄底是否高胜率"。
得分越高 = 历史上同等条件下30日内涨回的概率越大。
牛市得0分完全正常——市场没有跌，自然没有"逢低机会"可评分，而你已在涨势中。
🚫 死亡地带拦截： SPY 偏离 MA200 处于 [−12%, −4%] 时， 无论其余维度多高，强制否决——暴跌中段反弹夭折概率极高，历史数据证明此区间不宜加仓。