给模型多看几十年行情，未必就更懂今天的市场。旧数据可能带来已经失效的规律，但删得太狠，又可能让模型没见过真正的危机。这项研究把问题放进隐藏马尔可夫模型（HMM）里检验：它根据收益、波动等可见数据，推断市场正处于哪种看不见的状态，以便调整仓位和风险预算。
作者比较了四个四状态 Gaussian HMM。模型采用五项反映波动、回撤、信用环境和板块轮动的特征，设置完全相同，训练数据分别从 1970、1980、1990 和 2000 年开始，再用同一段未参与训练的数据做样本外检验。反直觉之处在于：若只看样本外似然——模型给真实行情打出的概率拟合分数——较短历史会显得更优，却可能漏掉危机状态。
作者称，加入状态稳定性、经济含义和策略表现后，最长历史训练的模型反而泛化更好，也更能避免过拟合。提醒不在于“数据越长越好”，而是选模型不能只盯一个漂亮分数；训练窗口与评价尺子同样重要。