核心观点
　　行为金融学羊群效应因子中的SLSV_top_50因子年化多空收益21.19%，夏普比率1.23，IC均值-4.88，年化IC_IR达到1.14。基于循环神经网络构建选股模型，分钟统计特征集绩效表现突出，IC达10.8、多头年化超额达21.4%。关系图谱结合机器学习联合建模在各指数成分股内进行选股增强策略从2023年6月开始样本外跟踪，截至2023年11月底，在沪深300、中证500、中证800、中证1000成分股内优化选股策略分别获得超额5.69%、5.54%、6.43%、5.50%。
　　分析师预期修正增强选股策略样本外累计超额48.83%，月胜率71%
　　分析师预期修正增强选股策略经过历史样本内回测和样本外跟踪，从2010年1月至2023年（截至10月底）12年时间，组合年化收益27.50%，相对中证500指数的年化超额收益为25%。从2021年1月开始样本外跟踪，截至2023年10月底，累计绝对收益29.8%，累计超额中证500收益48.8%，样本外跟踪34个月只有10个月超额收益为负，月度胜率71%，回撤为-11.3%，样本外表现非常优秀。
　　事件追踪正向效应中业绩快报-超预期表现最好，60日CAR达5.0%
　　事件效应跟踪：业绩快报-超预期60日CAR达5.0%，负面公告诉讼仲裁60日CAR达-5.0%。事件组合跟踪：500内员工持股组合(1个月)累计超额达47.1%，300内股东减持组合(1月)累计超额达-21.1%。
　　“预期双击”行业轮动策略样本外累计收益11.53%，累计超额21.02%“
　　选股策略”从2022年年初开始样本外跟踪，截至2023年10月底，累计绝对收益-14.7%，累计超额收益13.1%。“行业轮动策略”从2022年年初开始样本外跟踪，截至2023年10月底，累计绝对收益5.8%，累计超额收益12.3%，我们基于最新2023年10月底的分析师预期数据进行行业选择，“预期双击”组合行业轮动所选五个行业分别为煤炭、消费者服务、电子、汽车、电力与公共事业。
　　“共振主动上调增强”组合年化收益42.09%，年化超额39.85%“
　　共振主动上调”组合+分析师盈利预期调整Income_Adjust因子增强精选前20只，简称“共振主动上调增强”组合，该组合年化收益42.09%，年化超额39.85%，信息比率2.58，胜率77.92%。
　　三类行为金融学因子多空年化在7.5%-22%之间，羊群效应因子SLSV_top_50多空年化21.19%
　　本文重点研究了行为金融学中的锚定效应、前景理论和羊群效应在量化选股中的应用。结果表明这三类因子在单因子回测中都表现出不错的选股能力，其中SLSV_top_20和SLSV_top_50因子在月频调仓情况下的多空年化达到了20.55%和21.19%，Q1组相对Q10组的超额收益分别为21.25%和21.51%，是我们重点推荐的因子。
　　基于循环神经网络的选股模型：分钟统计特征集绩效表现突出，IC达10.8%、多头年化超额达21.4%
　　基于循环神经网络构建选股模型，利用其内部循环结构更好地捕捉时序信息。分钟统计特征集绩效表现突出，IC达10.8、多头年化超额达21.4%；高频因子特征集稳定性突出，ICIR可达1.4。改进模型结构下，多专家结构能提升预测结果稳定性、不易产生过拟合；多堆叠结构能实现多层次特征复用、改善模型退化；多任务结构能实现标签间信息共享、提升模型训练效率。
　　各大指数增强6月样本外跟踪以来累计超额5.54%-6.43%
　　关系图谱结合机器学习联合建模在各指数成分股内进行选股增强策略2023年6月样本外跟踪至2023年11月30日，在沪深300、中证500、中证800、中证1000成分股内优化选股策略分别获得超额5.69%、5.54%、6.43%、5.50%。除中证1000增强近一月出现回撤外，其余指数增强样本外跟踪以来每月均获得正超额，超额夏普比例2.70-3.27之间。
　　风险提示：研究均基于历史数据，对未来投资不构成任何建议。文中的因子分析均是以历史数据进行计算和分析的，未来存在失效的可能性。市场的系统性风险、政策变动风险等市场不确定性均会对策略产生较大的影响。另外，本报告聚焦于因子的构建和效果，因此对市场及相关交易做了一些合理假设，但这样可能会导致基于模型所得出的结论并不能完全准确地刻画现实环境，在此可能会与未来真实的情况出现偏差。而且数据源通常存在极少量的缺失值，会弱微增加模型的统计偏误。