指数增强策略表现    
        在中证1000指数、中证500指数和沪深300指数上的深度学习增强策略都能取得明显的正收益。其中，全市场选股的中证1000指数增强策略获得了29.07%的年化超额收益，中证500指数增强策略获得了14.67%的年化超额收益，沪深300指数增强策略获得了13.11%的年化超额收益。不同的指数增强策略的年化跟踪误差都符合预期。（注：本报告中超额收益是指相对基准指数的超额收益，例如中证500指数增强策略的基准指数是中证500指数。）  
        如何调节指数增强策略的换手率    
        在组合优化问题中，通过在优化目标中引入"惩罚项"可以显著降低策略的换手率，减小组合的跟踪误差，提高组合的信息比。也可以直接对换手率进行约束，进行更精细的换手率控制。本报告实证了在年换手率6倍的约束下，指数增强策略也获得了不错的表现。  
        如果组合优化中不考虑交易成本，则会导致策略的换手率过高，带来的交易成本损耗会降低组合的超额收益，同时增大组合的跟踪误差。如果组合优化中给交易成本过高的"惩罚"会使得组合的换手率过低，可能会降低组合的超额收益来源，也会导致策略的信息比下降。  
        深度学习策略业绩归因分析    
        由于机器学习因子构建过程的"黑箱"属性，模型选股结果的可解释性弱。通过业绩归因了解模型的收益来源，有助于监测机器学习因子表现是否稳定和是否失效。  
        从业绩分析结果来看，对于本报告中的指数增强策略，行业因子的收益贡献较低，风格因子中，流动性因子和反转因子的收益贡献较高，其他风格因子的收益贡献较低，此外，大部分超额收益是由不能被行业因子和风格因子所解释的Alpha收益贡献的，说明深度学习模型能够从因子的非线性特征中获取额外信息。  
        风险提示    
        策略模型并非百分百有效，市场结构及交易行为的改变以及类似交易参与者的增多有可能使得策略失效。