人工智能68：构建神经网络多频率因子挖掘模型，并用于指数增强
　　神经网络能自动提取股票原始量价数据中的特征，实现端到端的因子挖掘和因子合成。本文重点研究如何设计网络结构以有效挖掘不同频率的股票量价数据。我们先将神经网络运用于15分钟频量价数据的挖掘，取得了较好效果，随后再加入日频数据构建多频率混合模型，并引入因子增量贡献的思想设计了两阶段增量学习模型。在对比测试中，多频率增量混合模型表现最好，构建的各类指数增强策略表现优秀。
　　神经网络在15分钟频量价数据上表现较好，加入注意力机制后无改进
　　考虑到神经网络具有强大的特征提取能力，本文省去人工构建因子的步骤，直接对标准化后的原始15分钟K线数据进行学习，神经网络骨干部分使用GRU网络。样本空间为全A股，模型在2017/1/4～2023/4/28的回测期内周度RankIC均值为9.30%，分10层TOP组合年化超额收益率为24.18%(不计交易成本)。我们还尝试对GRU加入注意力机制，希望帮助模型更好地记忆长程序列信息，但在本文的测试中，加入注意力机制后没有改进效果。
　　基于日频+15分钟频数据的多频率混合模型分层测试效果明显提升
　　为了融入更多市场信息，我们在15分钟频数据的模型上，加入日频数据，构建多频率混合模型。模型通过两个输入分别接收日频量价和15分钟频量价数据，并分别使用GRU提取特征，最后将两部分特征拼接并对接输出。样本空间为全A股，模型在2017/1/4～2023/4/28的回测期内周度RankIC均值为8.58%，分10层TOP组合年化超额收益率为30.12%(不计交易成本)，TOP组合表现相比15分钟频模型提升明显。
　　基于参数冻结+残差预测的多频率增量混合模型表现最好
　　针对多频率数据混合模型，我们引入因子增量贡献的思想，设计了一个两阶段训练的增量学习模型。第一阶段：只使用日频量价数据训练对应的神经网络分支，即先让网络学习日频级别的量价信息，第一阶段训练直到模型的loss收敛为止。第二阶段：将日频量价数据分支网络结构的参数冻结，只前向传播，然后引入15分钟频数据学习残差，即再让网络学习分钟频量价数据能够贡献的增量信息。样本空间为全A股，模型在2017/1/4～2023/4/28的回测期内周度RankIC均值为10.22%，分10层TOP组合年化超额收益率为36.36%(不计交易成本)，在本文的所有模型中表现最好。
　　基于多频率增量混合模型构建多个指数增强组合，回测表现优秀
　　我们基于多频率增量混合模型构建多个指数增强组合，并回测了周双边换手率分别控制为30%、40%和50%的情况。在2017/1/4～2023/4/28的回测期内，沪深300增强组合年化超额收益率为8.77%~9.48%，信息比率为1.21~1.40。中证500增强组合年化超额收益率为17.39%~18.18%，信息比率为3.11~3.29。中证1000增强组合年化超额收益率为28.93%~31.57%，信息比率为4.45~4.79。国证2000增强组合年化超额收益率为29.38%~31.19%，信息比率为4.09~4.25。
　　风险提示：通过人工智能模型构建的选股策略是历史经验的总结，存在失效的可能。神经网络受随机性影响较大、可解释性较差，使用需谨慎。