因子轮动（四）数据挖掘视角下的因子轮动初探 - 长江证券金融工程报告（2018）

报告摘要

如何利用数据挖掘技术优化因子轮动策略？长江证券发布的《因子轮动（四）：数据挖掘视角下的因子轮动初探》深入剖析了外生变量（市场利率、波动率、流动性等）与内生变量对因子有效性的影响。核心发现：基于随机森林的因子择时策略年化收益达4.76%，信息比5.11；外生逻辑下因子选择策略年化收益9.63%，最大回撤仅3.03%；内生逻辑下因子选择策略年化收益10.34%，最大回撤1.57%。报告还揭示了市场利率、波动率、流动性与资金面是影响因子有效性的关键变量。适合量化研究员、基金经理、金融工程分析师等专业人士参考，帮助理解数据挖掘在因子轮动中的应用与局限。

📋 报告目录

1. 从个股到因子
2. 选股与因子轮动
3. 因子轮动的特别之处
4. 数据挖掘统计视角
5. 机器学习的优势
6. 机器学习的劣势
7. 因子轮动下的问题和解决方法