|
因子轮动（四） 数据挖掘视角下的因子轮动初探报告要点 数据挖掘因子轮动关系有自身的局限性和优越性
数据挖掘探究因子轮动，可以利用模型的优势找到更为精细的关系。由于因子轮动的数据量较小，容易过拟合，且逻辑层面较难给出解释。通过扩充数据量及分类模型的应用，降低信噪比和过拟合程度；通过抽取简单模型窥视变量和因子轮动的逻辑关系。 外生变量和因子有效区间有较大关系
根据市场环境变量和随机森林模型建立的因子择时策略相比于默认因子方向建立的策略，除动量因子外，均有提高。以因子择时为基础建立的多因子等权配置策略年化收益为 4.76%，最大回撤 1.17%，信息比 5.11，Calmar 比 4.06。从树的结构来看，和因子是否有效最相关的变量为市场利率水平、市场波动率、市场流动性和市场资金面水平。 外生变量在因子选择上可以基本跟踪后验最佳三因子策略的收益
外生逻辑下因子选择策略年化收益为 9.63%，最大回撤 3.03%，信息比 4.02，Calmar 比 3.18。因子选择规避了规模因子在 2017 年后半年明显失效的时期，基本规避了反转因子各个失效的时期。 内生变量在因子选择上较后验最佳三因子策略有一定的提升
内生逻辑下因子选择策略年化收益为 10.34%，最大回撤 1.57%，信息比 4.65，Calmar 比 6.58。因子选择规避了规模因子在 2017 部分失效的时期以及 14 年底的较大回撤，基本规避了反转因子各个失效的时期。 目录从个股到因子
选股与因子轮动
因子轮动的特别之处
数据挖掘统计视角
机器学习的优势
机器学习的劣势
因子轮动下的问题和解决方法
因子择时
单因子回测表现
多因子组合策略
因子选择
外生逻辑
内生逻辑
数据挖掘和未来数据
总结
图表目录
图 1：从选股到因子轮动
图 2：基于信用利差的规模因子和价值业绩因子轮动策略
图 3：截面融合模型选股比较
图 4：截面融合模型相对线性选股模型多空曲线
图 5：随机森林流动性因子回测曲线
图 6：线性模型流动性因子回测曲线
图 7：流动性因子决策树结构.
图 8：随机森林 beta 因子回测曲线
图 9：线性模型 beta 因子回测曲线
图 10：beta 因子决策树结构
图 11：随机森林动量因子回测曲线
图 12：线性模型动量因子回测曲线
图 13：动量因子决策树结构
图 14：随机森林反转因子回测曲线
图 15：线性模型反转因子回测曲线
图 16：反转因子决策树结构
图 17：随机森林波动率因子回测曲线
图 18：线性模型波动率因子回测曲线
图 19：波动率因子决策树结构.
图 20：随机森林 ROE 因子回测曲线
图 21：线性模型 ROE 因子回测曲线
图 22：ROE 因子决策树结构
图 23：随机森林规模因子回测曲线
图 24：线性模型规模因子回测曲线
图 25：规模因子决策树结构
图 26：随机森林估值因子回测曲线
图 27：线性模型估值因子回测曲线
图 28：估值因子决策树结构
图 29：随机森林成长因子回测曲线
图 30：线性模型成长因子回测曲线
图 31：成长因子决策树结构
图 32：多因子组合策略回测曲线
图 33：外生逻辑三因子轮动回测曲线
图 34：外生逻辑三因子轮动规模因子区间
图 35：外生逻辑三因子轮动反转因子区间
图 36：因子收益率相关性热力图
图 37：因子信息比相关性热力图
图 38：内生逻辑三因子轮动回测曲线
图 39：内生逻辑三因子轮动规模因子区间
图 40：内生逻辑三因子轮动反转因子区间
图 41：正向滚动规模因子择时回测曲线
图 42：反向滚动规模因子择时回测曲线
表 1：barra 模型九大类风格因子定义
表 2：规模 vs 价值业绩轮动策略的表现
表 3：市场环境变量
表 4：因子择时风险指标
表 5：多因子组合风险指标
表 6：外生逻辑三因子轮动风险指标
表 7：外生逻辑三因子轮动分年风险指标…
表 8：外生逻辑因子轮动 2017 至 2018 风险指标
表 9：内生逻辑三因子轮动风险指标
表 10：内生逻辑三因子轮动分年风险指标
表 11：内生逻辑因子轮动 2017 至 2018 风险指标
表 12：正反向规模因子择时策略风险指标
| 
