在本系列的前期报告中，我们介绍了如何使用深度学习模型挖掘高频数据中包含的Alpha。本文在此基础上引入低频量价信息，并在较长的周期内，和高频数据共同训练，寻找更多的增量信息。
　　本文将26个日频特征和64个60分钟频特征共同输入深度学习模型，并大幅延长训练和迭代周期后，得到了新的混频深度学习因子。2017年以来，在5日和10日两种预测标签的设定下，因子呈现出显著的周度选股能力。周均IC达到0.10，TOP 10%和TOP 100多头组合的多路径平均年化超额收益分别高达30%和35%。
　　相对而言，成交金额较高、市值适中的这一类股票，更适合混频因子的发挥。如果按宽基指数划分，因子在中证800与1000外的股票中，IC和多头超额收益最优，其次是全市场中。表现相对较差的是在沪深300成分股中，但IC依然有0.071，多头超额收益也能达到25%。若按市值大小划分，处于中间40%的股票中，因子的IC和多头超额收益皆为最高，其次是市值最小的30%股票；若按成交金额高低划分，反而是最高的30%股票中，因子表现更好，IC超过0.11，多头超额收益更是在35%以上。
　　在原先仅使用高频数据训练因子的基础上加入低频量价特征，以及采用非线性的加权，都有可能获得更好的因子或收益预测。对比高频深度学习因子（改进GRU和残差注意力）、高频深度学习因子和低频量价因子经IC加权复合后的因子及混频深度学习因子的选股效果，我们发现，与低频量价因子复合较为显著地提升了原始高频深度学习因子的IC和RankIC，但也付出了ICIR和胜率下降的代价。而将低频和高频特征一同输入深度学习模型，则获得了IC最高的因子。同时，其余评价指标，如ICIR、RankIC、胜率等，都处在较优的水平上。
　　将混频因子直接作为股票的收益预测，构建周度调仓的中证500和中证1000增强组合。若没有成分股约束，中证500增强组合的年化超额收益最高可达22%；但加入约束后，年化超额收益则会下降至16%。不过，有无成分股约束对中证1000增强组合的影响甚微，两种假设下的年化收益都可达到25%左右。
　　混频深度学习模型的另一种应用。如果希望通过深度学习模型同时挖掘多个两两正交的增量因子，只需在MLP与输出层之间加入一个正交层，就可以在不大幅改变模型整体架构及损失函数的前提下，实现目标。在损失函数为MSE的设定下，通过这种方式得到的32个因子，周均IC在0.03-0.04之间，TOP 10%组合年化超额收益为5%-12%。
　　风险提示。市场系统性风险、资产流动性风险、政策变动风险、因子失效风险。