国内量化投资领域经历了十年以上的发展,行业初具规模,量化策略逐步形成体系,尤其在大资管行业向净值化、科技化演进的背景下,投资者对量化投资策略的关注度与日俱增。当前市场上量化产品各种策略,对应到数理模型上,主要有多因子模型和统计套利模型两大类。随着基于传统量化算法的线性模型逐步完善,无论是资产配置,还是新因子挖掘,线性体系的完善程度已经很高,同时其瓶颈也逐渐显现,再去挖掘新的因子已经比较困难,尤其对于非线性的问题,较难处理。随着计算机科技的发展,机器学习领域在算法、算力、数据三个维度上全面发展,使得机器学习的难度和成本大大降低,而机器学习的优势正是找出对象之间的非线性关系。然而,当前机器学习在量化投资决策领域的应用并不顺利,这既同机器学习本身的相对黑盒特点有关,投资人难以接纳,又同金融数据的复杂性、算法的过拟合有关,在数据处理中难以准确描述动态变化的市场,导致在样本外的表现不佳。本文采用多变量隐马尔可夫模型,以技术分析作为出发点,对技术指标做标签化处理,作为模型的观测序列输入,将未来一段时期的收益作为隐状态,构建基于多变量隐马尔可夫模型的量化交易策略。隐马尔可夫模型属于机器学习的生成模型,本身具有相对较好的白盒特性,同时采用监督学习方法,更进一步提升了模型的可解释性。本研究以A股市场5个重要指数上证指数、深证成指、沪深300、上证50、中证500为研究对象,选取2005年～2012年的行情数据作为模型训练数据,以2013年～2020年的数据作为回测数据。本文策略在测试对象范围内长期能够获得相对基准平均117%的超额收益,年化收益率超过15%。相比已有隐马尔可夫模型应用的研究,本文主要创新点有:（1）通过引入多维度技术指标量化技术,创造性的将多变量隐马尔可夫模型应用到金融市场趋势预测中。（2）采用多变量隐马尔可夫监督学习方法,探索性的提升学习模型在金融市场应用中的可解释性。本文分为五个部分:第一部分绪论,介绍研究的背景和研究的问题;第二部分理论基础,介绍相关的金融投资理论、量化投资理论和技术分析理论,以及标准和多变量隐马尔可夫模型的算法;第三部分模型构建,本部分基于多变量隐马尔可夫模型构建量化交易策略,包括技术指标的选取和标签化过程、监督学习隐状态的定义、多变量马尔可夫模型学习训练流程以及基于学习结果如何构建量化交易模型;第四部分实证分析,本部分对模型进行实证分析,给出实证结果和结果分析;第五部分结论,总结研究结果、不足和下一步的方向。