机器学习高频因子挖掘的优势：在多因子选股模型中，因子的开发和更新迭代变得越来越重要。与低频因子相比，高频数据在用于量化投资中存在一定优势，而高频数据挖掘因子的难点在于数据维度大、噪声高。机器学习方法擅长从数据中寻找规律和特征，是高频数据因子挖掘的有力工具。
　　模型算法：本报告在预先将高频信息处理成日频因子之后，在日频因子的基础上，用深层全连接神经网络模型提取股票特征。模型采用了55个高频数据低频化的人工因子作为神经网络的输入，在深层神经网络提取特征之后，对特征进行分析并筛选合适的选股因子。
　　实证分析：深度学习模型共获得32个特征因子，这些特征因子与模型输入的人工因子具有相对的独立性，在创业板和中证1000股票池中展现出不错的选股性能。在周度换仓的频率下，双边千三计费后，在模型的训练和验证样本外的过去三年里，hf18因子在创业板股票池中的Rank_IC为-6.79%，取得了27.25%的多头年化收益率，相对于同期的创业板指数取得了25.50%的超额年化收益率，信息比为1.04；hf13因子在中证1000股票池中Rank_IC为6.63%，取得了11.25%的多头年化收益率，相对于同期的中证1000指数取得了7.24%的超额年化收益率，信息比率为0.64。
　　风险提示：本专题报告所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时可能存在失效风险；策略在市场结构及交易行为的改变时有可能存在策略失效风险。