前期报告《周频量价指增策略》利用RNN为主体模型搭建了AI量价模型框架，并将其应用于选股策略。本报告主要对该报告中数据预处理和RNN模型提取因子这两部分进行了复现和一些细节方面改进，包括最后一层增加Batch-Norm层、使用的标签经过中性化和截面标准化等预处理。
　　通过讨论模型中一些参数的设置，我们认为：1）适当降低模型的学习率有助于梯度下降时寻找到验证集上表现更优的模型参数，但会大大增加模型训练时间；2）增加RNN中丢弃率大小有助于增强模型的泛化能力，但会降低模型在验证集上的表现；3）验证集上模型性能随正交惩罚参数增大呈现先上升后下降的趋势；4）适当增加因子单元个数有利于控制生成各单因子间的低相关性，但会增加过拟合风险。
　　 2017年以来，一元和多元RNN等权合成因子在中证全指、沪深300、中证500、中证1000四个指数成分股上双周频RankIC均值分别为14.47%、10.05%、11.03%、14.45%和14.63%、10.24%、11.15%、14.91%，数值均超过了10%。这说明RNN生成因子市值偏向性较低
　　 RNN在各数据集生成因子等权合成之后打分可直接应用于指数增强策略，成分股不低于80%限制、周单边换手率约束为20%约束下，一元模型打分在沪深300、中证500和中证1000增强策略上年化对冲收益率分别为12.22%、13.79%和23.63%，多元模型打分在沪深300、中证500和中证1000增强策略上年化对冲收益率分别为12.52%、14.85%和22.15%。
　　根据各数据集上生成因子回测结果，我们认为1）多元RNN生成因子单元中各单因子仍然有较好的选股能力且各单因子之间相关性较低，说明多元RNN挖掘因子能力较高；2）我们分钟特征数据集并没有完全表示分钟k线数据包含信息，分钟线特征有待进一步挖掘；3）我们level2特征数据集所包含的信息与日频及分钟特征数据集重叠度更低，进一步研究level2特征将会给整个模型带来更多增量。
　　风险提示
　　量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。
　　极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。