非监督学习不预测收益，它做一件更基础的事：在没有标签的数据里找出结构——哪些股票像一个整体？市场现在处于哪种状态？高维因子里真正独立的维度有几个？这三个问题的答案分别是聚类、Regime 识别与降维。
聚类：从数据里长出来的分类
K-means / 层次聚类 / DBSCAN 在量化里的三个正职：
- 风格分组：用估值、波动、动量等特征聚类，得到「数据驱动的风格群」——比人工定义的「大盘成长/小盘价值」更贴近实际的相关结构。一个实用产出：聚类簇作为风险预算的分组单位，比申万行业更能反映真实的共动性（某消费龙头与某医药龙头的联动，可能超过同行业两家公司）；
- 配对/篮子选择：对同行业股票按量价特征聚类，簇内做配对候选——比「同行业挑相关性最高」多一层结构约束（配对工程见统计套利 ）；
- 成分股的分类学：产业链上下游、题材关联度——聚类结果作为另类特征喂给下游监督模型（特征工厂的一环，见特征工程 ）。
聚类的三个工程坑：特征必须标准化（量纲主导距离是第一错误——用市值原始值聚类，等于只按市值分组）；K 的选择用轮廓系数/肘部法 + 经济学合理性双判据（聚出来的簇要能解释，「第 7 簇是什么」答不上来就减簇）；簇的稳定性跨期检验（样本外重聚类，簇结构大变 = 特征选择不稳定）。
Regime 识别：市场状态机
「市场现在处于什么状态」——趋势/震荡、高波/低波、risk-on/risk-off。Regime 识别的价值不在于预测（转点不可预测），而在于给策略提供条件变量：
- 策略的条件开关：趋势策略在「趋势 regime」加权、均值回复在「震荡 regime」加权（状态条件权重，见因子失效 的 Regime 讨论）；
- 风险预算的动态调整：高波 regime 自动收缩总预算（与波动率目标互补，见仓位 sizing ）；
- 因子表现的分段归因：因子在哪个 regime 下失效——失效诊断的显微镜（见事后风控 ）。
三种实现，从简单到复杂：
- 规则状态机：波动率分位 + 趋势强度（如 ADX）+ 信用利差分位的规则组合——可解释、可审计，默认首选。例：「高波 regime = 20 日波动 > 历史 80 分位 且 持续 5 日」；
- HMM（隐马尔可夫）：观测（收益、波动、利差）由隐藏状态（regime）生成，用 EM 学习状态转移与发射概率——输出连续的状态概率（比硬分类更适合做权重插值）。工程要点三则：状态数 2–4（多则解释不了）；状态的可解释性校验（学出的状态要能被宏观经济语言描述，否则是数学幻觉）；前视防线（HMM 的滤波要用仅含历史的 forward 算法，不能用含未来的 smoothing——这是 HMM 回测里最常见的泄漏，Viterbi 平滑出的「完美状态切换」在实盘不可得）；
- 变点检测：CUSUM/贝叶斯变点检测——不做状态分类，只回答「结构刚刚变了吗」，触发策略的重新评估（与事中风控 的异常检测同源）。
清醒剂：状态识别模型自身的误判率会进入组合——把状态机当「速度限制」而不是「方向盘」（它收紧或放开预算，不直接决定买卖方向），误判的代价就可控。一个诚实的对照：简单二分（波动高低）状态机与 HMM 在多数回测里表现相当——复杂度的边际收益在 regime 识别这个任务上很薄。
降维：找真正独立的维度
- PCA 的量化正职已述（风险主成分、协整中性化、利率曲线三因子，见线性代数 ）；在 ML 管线里 PCA 还用于特征去相关（300 个相关特征 → 30 个正交主成分，缓解多重共线）；
- PCA 用于 ML 的陷阱：主成分是全样本拟合的（泄漏风险——必须滚动拟合）；成分失去语义（特征工程的可解释性被牺牲）——优先用「聚类去冗余 + 领域知识筛选」，PCA 作为最后手段；
- 自编码器（Autoencoder）：非线性降维——学习「用少数因子重构全部收益」的压缩表示，学界用于隐含因子挖掘（数据驱动的因子发现）。评价要冷静：重构误差低 ≠ 因子可交易，产出的隐因子仍要走完整的因子检验（它们是「PCA 的高级版」，不是 alpha 本身，见ML 定位 ）。
关联阅读：状态机的策略接口时序策略 与Meta-Strategy ；HMM 的数学地基马尔可夫链 ；聚类结果进入组合的路径组合风险 。