传统日频深度学习模型表现具有局限性。神经网络已经成为市场中预测股票收益率最常用的模型之一。LSTM神经网络因其独特的记忆与遗忘门机制，解决了训练过程中的梯度消失和梯度爆炸问题，且在更长时间序列数据中有更好的表现。用LSTM神经网络加MLP多层感知器的模型结构，对A股中证1000成分股的日频行情数据建模，并预测个股周度收益，得到深度学习DL因子，因子周度IC0.038，ICIR0.51，年化多空收益24%，多头端收益较低，年化超额收益4.7%，对于深度学习因子来说，表现较为一般。
　　一个提升的方向在于寻找股票的有效分类，从而提升因子的针对性。传统的多因子模型认为同一种因子的因子暴露对于所有的股票影响是一样的，然而对于不同内在属性的股票，各类因子的有效性并不相同，其中存在非线性结构有待优化和探索。传统深度学习模型的一个提升方向为找到股票的有效分类，从而提升因子对不同属性股票的针对性。
　　从公募持仓网络得到的股票内在属性对于模型有一定提升。我们采用矩阵分解的办法，从基金选股网络中提取股票的内在属性，来影响因子对于不同股票的预测规律。矩阵分解通过基金对于股票的投资行为，分解出基金和股票的内在属性矩阵。将这些内在属性与LSTM生成的因子表示进行拼接，共同输入到MLP中，得到DL_EM因子，因子周度IC均值为0.068，ICIR为1.12，构建纯因子多空组合，费后年化收益8.8%，信息比率4.3。
　　将股票内在属性与动态市场偏好结合对模型有进一步提升。利用基金年报，半年报获得的股票内在属性半年一更新，较为静态。但经验告诉我们，市场是动态的，它在不同的时间段对不同的股票内在属性的偏好是不同的，所以我们需要将股票静态的内在属性转为动态内在属性，构建股票的动态市场状态因子，即计算个股内在属性与当天市场热度风格的相似度。这一因子本身并无选股能力，但与上述模型拼接后，生成更为有效的DL_EM_Dynamic因子，周度IC均值0.12，ICIR1.55；年化多空收益203.4%，纯因子组合年化收益26.2%，信息比率7.41；中证1000指数增强扣费后多头年化超额收益24.5%，信息比率4.33。
　　风险提示：量化模型基于历史数据，市场未来可能发生变化，策略模型有失效可能。