低频因子模型的挑战。
　　基本面因子是低频多因子模型的重要alpha来源，然而我们发现2021年以来业绩类因子出现普遍性的大面积回撤。对此，我们曾经提出过三个维度的应对方案：深入基本面、拥抱beta以及量价+AI。
　　前两者基于逻辑驱动，依托于投资人对于财务、宏观风格的深入理解，我们曾做过深入覆盖。而量价+AI基于数据驱动，从模型层面捕捉市场短期的定价不充分，我们在本篇报告中展开初步探索。
　　深度学习模型与特征构建。
　　金融数据具有显著的时序关联性，而深度学习中RNN类模型对于时序数据的建模表现最为亮眼。我们认为模型绩效的提升可以从三个维度入手：
　　1.通过调整超参数选取、label构建、数据预处理方式等精进单一模型；
　　2.对同一数据集根据不同模型训练，堆叠多模型的输出；
　　3.对同一模型构建差异化数据集输入，堆叠多数据集的输出。
　　基于RNN类模型中的LSTM，我们以第三个维度为切入点，希望通过构建差异化的数据集作为模型输入，捕捉具有增量性的信息。
　　深度学习选股因子。
　　通过构建6个不同的数据集，我们训练了6个深度学习指标，综合6个指标后的深度学习因子绩效良好。2017年以来多空年化收益100.8%，多头超额收益38.2%，因子IC均值12.7%，ICIR达到1.23。
　　基于深度学习模型的指数增强策略。
　　基于深度学习因子我们构建周度调仓的中证500/1000指数增强组合:
　　1.中证500指数增强组合2017年以来，组合年化收益15.4%，超额中证500指数17.1%，跟踪误差5.7%，信息比率2.84。
　　2.中证1000指数增强组合2017年以来，组合年化收益19.4%，超额中证1000指数24.6%，跟踪误差5.7%，信息比率4.04。
　　风险提示：结论基于历史数据以及模型推算，存在失效风险。