在本系列的前期报告中，我们分别单独使用低频和高频特征作为输入，训练得到了深度学习因子。并在接近2年的样本外跟踪期内，观察到了稳定优异的业绩表现。但是随着研究和交流的深入，新的问题也产生了。由于不同频率数据的存在，同一个特征可在多个频率上计算。那么，它们包含的信息是完全一样的，还是互有增益呢？为此，本文探索和对比了几类多颗粒度模型，并提出了一些行之有效的改进方案。
　　从单颗粒度模型到多颗粒度模型。尽管使用单一的日度特征已经可以实现不俗的业绩，但更细颗粒度的特征依然有值得挖掘的有效信息。因此，本文引入了两类多颗粒度模型。（1）“多颗粒度输入，一次性训练”：将不同颗粒度的特征均作为模型输入，并通过独立的GRU提取序列信息；随后，将GRU的输出结果合并，再通过MLP得到最终的输出。（2）“单颗粒度训练，输出集成”：单独训练每一个颗粒度的特征，输出对标签的预测；在最终的推理阶段，集成不同颗粒度模型的输出。
　　在不同标签长度、调仓周期和成交价格假设下，多颗粒度模型的Rank IC和年化多头超额收益，相比单颗粒度模型都得到了不同程度的提升。整体而言，输出集成方式的效果最好，10日标签对应的费前年化超额收益可达31.5%。
　　双向AGRU多颗粒度模型。为缓解早期重要信息的遗忘问题，我们不仅引入了注意力机制，还将GRU模型从单向改为双向。即，分别按顺序和逆序学习特征序列，并提取信息。和传统的单向GRU相比，双向AGRU多颗粒度模型的RankIC、ICIR和多头超额收益都得到了全面而稳定的提升。具体地，周均Rank IC超过0.12，Top10%和Top100组合的费前多头超额收益分别为33%和40%。
　　微软亚研院在《 Multi-Granularity Residual Learning with ConfidenceEstimation for Time Series Prediction》一文中，提出了多颗粒度残差学习网络。其核心理念是，将多个相同的模块叠加，形成整体网络架构，但每个模块只单独处理一个颗粒度的数据。从第二个模块起，输入的特征都需通过取残差的方式，剔除前一颗粒度已包含的信息，即，只保留该粒度特有的信息。每个模块都会输出该颗粒度下，对最终标签的预测。再将所有预测集成，作为最终的预测。
　　将双向AGRU多颗粒度模型的输出值作为股票的收益预测，构建周度调仓的中证500和中证1000 AI增强组合。2017.01-2023.07，无成分股约束时，中证500和中证1000 AI增强组合分别取得15%-20%和25%-30%的年化超额收益。其中，2023年的YTD超额收益分别为10%-16%和15%-18%。添加80%成分股权重约束后，两个组合的超额收益分别下降5%-6%和2%-3%，至10%-15%和23%-27%。
　　风险提示。市场系统性风险、资产流动性风险、政策变动风险、因子失效风险。