来源：国盛证券
作者：缪铃凯、刘富兵
编辑：好投学堂
核心内容：
1、基本面因子是低频多因子模型的重要 alpha 来源，然而我们发现 2021 年开始业绩类因子普遍出现大规模的回撤。其中盈利、成长、预期调升类因子失效最为明显，多头回撤显著，这种现象在中证 800 指数成分股中更为强烈。 关于业绩类因子的回撤是短期现象还是长期持续，众说纷纭。风格呈现出周期性波动，而基本面因子在长期虽有 alpha，但短期更像是 beta，其绩效受到众多因素的影响。
2、基于多因子模型的框架，我们通常构建因子预测股票截面收益，进而通过组合优化得到股票持仓，在此机器学习/深度学习与传统框架契合。传统选股因子来源于手工构建的基本面或者交易指标等，而机器学习/深度学习算法则能自动化搜索挖掘有效信号。区别于基本面特征更多的基于逻辑驱动，对于量价特征我们可以利用各类算法基于数据驱动挖掘增量信息。
3、金融数据具有显著的时序关联性，而深度学习中 RNN 类模型对于时序数据的建模表现最为亮眼。我们认为模型绩效的提升可以从三个维度入手（1）通过调整超参数选取、label 构建、数据预处理方式等精进单一模型；（2）对同一数据集根据不同模型训练，堆叠多模型的输出；（3）对同一模型构建差异化数据集输入，堆叠多数据集的输出。
4、基于 RNN 类模型中的 LSTM，我们以第三个维度为切入点，希望通过构建差异化的数据集作为模型输入，捕捉具有增量性的信息。通过构建 6 个不同的数据集，我们训练了 6 个深度学习指标，综合 6 个指标后的深度学习因子绩效良好。2017年以来多空年化收益 100.8%，多头超额收益 38.2%，因子 IC 均值 12.7%，ICIR 达到 1.23。
5、基于深度学习因子我们构建周度调仓的中证 500/1000 指数增强组合: （1） 中证 500 指数增强组合 2017 年以来，组合年化收益 15.4%，超额中证 500 指数 17.1%，跟踪误差 5.7%，信息比率 2.84。（2）中证 1000 指数增强组合 2017 年以来，组合年化收益 19.4%，超额中证 1000 指数 24.6%，跟踪误差 5.7%，信息比率 4.04。
