本文提出了一种基于深度神经网络的动态Alpha因子模型，实现了端到端的因子权重训练和预期收益率预测。在IC、ICIR、因子分组收益率、多头组合收益率等指标维度表现相比于线性Alpha因子模型有较为明显的提升。
　　传统线性因子模型存在一定的缺陷。无套利条件中随机折现因子的线性结构学术界尚存在争论。实证研究中，残差的时序和截面的相关性以及残差的异方差性在线性因子模型中，通常需要特殊的手段处理。在因子模型中引入非线性成为学术界和业界的主流做法。
　　基于MLP的因子网络结构，相比于L2正则的线性基准网络，在RankIC均值略有下降。多空年化收益率、多空夏普等指标改善明显。多头收益率对RankIC的贡献提升。
　　借鉴传统的Alpha模型，细分因子到大类因子分步合成，一般需要筛选出IC表现较好，且相关性较低的细分因子合成大类因子，以保证大类因子的IC表现和低相关性。在MLP网络中同样可以引入正交惩罚使得网络学习到的大类因子保持低相关性。
　　在机器学习任务中，不同学习目标的设置同样对模型的表现有至关重要的影响。本文测试了使用MSE、IC、CCC不同的损失函数对模型表现的影响。IC损失函数的综合表现最好。CCC损失函数对应的模型的合成zscore因子稳定性最好。
　　本文的研究过程发现IC作为传统的单因子表现指标，在多头选股的场景下并不能正确评估最终的选股表现。需要结合因子的多空最大回撤、多空夏普以及多头组合的表现来综合评估。
　　风险提示：量化策略基于历史数据统计，模型存在失效的可能性。