BarraCNE5风格因子预测能力下降
　　我们使用BarraCNE5公布的十大风格因子进行股票收益率预测，并逐个从2019年开始进行单因子有效性检验，发现目前BarraCNE5风格因子获取Alpha收益的能力较低。效果最好的残差波动因子存在较为明显多空收益失衡问题，即空头端收益远高于多头端收益。而在A股做空较高的实现难度和成本使得空头端收益在实际投资中难以实现。
　　机器学习优化因子
　　为了解决多因子模型目前存在的这两个问题，量化投资人开始使用各类机器学习模型进行优化。我们使用2010年到2018年的月频风格因子数据尝试训练了11个统计学习和机器学习模型，并在样本外进行预测，发现神经网络模型相比于统计学习模型对风格因子的优化能力更强。
　　将机器学习模型预测值视为因子，我们发现结构相似的模型输出的因子相关性较高。其中循环神经网络类因子在ICIR回测指标上较高，而多层感知器在多空收益失衡问题上有明显的改善。
　　StyleStacking多因子模型
　　虽然机器学习模型优化因子能力得到印证，但是单一的机器学习模型又将面临模型失效的问题。因此我们提出了StyleStacking多因子模型，相比于BarraCNE5多因子模型，我们的优化方法就是将Barra风格因子转变为更加有效的机器学习因子后，进行大类因子融合，最后使用大类因子结合Fama-Macbeth两步回归法输出最终预测值。
　　StyleStacking多因子模型框架类似于集成学习框架，能够有效融合多种机器学习模型。并且本文在实现过程中，对每一步优化后的因子值都进行了回测，使得读者可以看到StyleStacking多因子模型每一步的优化效果。总结来看，SSFM因子相比于优化前的Barra因子，在各项回测指标上都有了显著的提升，同时还大幅改善了多空收益失衡的问题，达到了我们的优化目的。
　　StyleStacking多因子模型并不局限于本文中的11个机器学习模型，如果投资人能够训练出其他有效的机器学习模型，将其放入模型框架的第一步，有较大概率能够提升最终预测值的有效性。因此，StyleStacking多因子模型更像是一个基于多因子模型融合多种机器学习模型的方法。
　　SSFM因子Barra中性化后仍有超额收益
　　我们使用行业中性化和Barra中性化处理后的SSFM因子构建了多头端股票组合。整体来看，StyleStacking多因子模型的平均年化收益为26.65%，夏普比率为1.36。
　　我们认为在剔除行业和传统Barra多因子模型的收益后，SSFM因子仍有不俗的边际收益，说明StyleStacking多因子模型其本身获取Alpha收益的能力，基本来自于机器学习模型的非线性拟合能力，以及平衡多种机器学习模型的风险。
　　风险提示
　　1、深度学习模型参数存在一定的随机性；
　　2、模型学习到的历史规律未来可能失效。