数据挖掘视角下的因子轮动初探.pptx

数据挖掘视角下的因子轮动初探? 研究报告 ?01 从个股到因子02 数据挖掘统计视角03 因子择时04 因子选择05 数据挖掘和未来数据01从个股到因子2017经营情况01 PART ONE选股与因子轮动表：barra模型九大类风格因子定义大类因子?子类因子合成权重成长净利润季度同比增速1/2一致预期净利润增速1/2估值PB1/2PE1/2流动性近21日日换手率的自然对数1/3近63日日均换手率的自然对数1/3近252日日均换手率的自然对数1/3规模流通市值自然对数1beta近30日CAPM模型的beta1波动率近30日收益率的标准差1反转最近一月的收益率1动量过去一年扣除最近一月的收益率1ROE过去12月ROE1图：从选股到因子轮动资料来源：长江证券研究所资料来源： 长江证券研究所因子轮动的特别之处因子轮动的最大难点就在于，因子相对稳定的自身方向和相对强弱，给出的策略在收益和风险上很难兼顾，总能从后验样本的分析中，找出一个在至少一个方面超过轮动策略的比较方案。图：因子轮动的特点图：基于信用利差的规模因子和价值业绩因子轮动策略资料来源：长江证券研究所资料来源：长江证券研究所02数据挖掘统计视角2017经营情况数据挖掘统计视角数据挖掘是一种广泛和精细的信息挖掘方法，很多机器学习算法被广泛应用于数据挖掘中。图：机器学习的优势和劣势资料来源：长江证券研究所03因子择时因子择时