研究结论
　　本文我们提出了一套对原量价模型框架抗噪性能提升的改进方案，该方案主要分成两个部分：第一，通过对抗训练的方法来降低神经网络模型对数据中噪声成分的敏感性。第二，在原始数据上通过相关算法识别异常数据点，并将算法输出的异常信号因子作为RNN模型输入以辅助模型训练，降低异常数据对模型的影响。
　　我们发现通过不同模型得到该数据是否属于异常的概率之间相关性较高，这意味着是否异常只与数据分布有关，而使用的模型只影响生成概率的准确度。本文新提出的异常信号经过二十个交易日滚动之后得到的因子本身均具有较好的选股表现，2010年以来中证全指上基于振幅和换手率构建的abn_tr20和abn_to20因子RankIC分别为7.90%和6.85%，分十组多头年化超额收益率分别为13.28%和9.25%，且这两个因子分组单调性也表现较好。
　　我们提出的抗噪方案下，各数据集非线性加权打分2018年以来在中证全指、沪深300、中证500、中证1000四个指数上隔天十日RankIC均值分别为15.71%、10.11%、11.82%、15.14%，RankICIR（未年化）分别为1.52、0.69、0.96、1.43，分20组多头年化超额分别为46.74%、28.74%、21.42%、34.25%，2020年以来在中证全指、沪深300、中证500、中证1000四个指数上隔天十日RankIC均值分别为13.88%、9.59%、9.94%、12.87%，RankICIR（未年化）分别为1.38、0.72、0.85、1.25，分20组多头年化超额分别为39.33%、29.53%、17.64%、26.47%，新模型打分在各不同宽基指数下均有优异的选股表现，市值偏向性较低。
　　以上两个打分也可直接应用于指数增强策略，各宽基指数上均能获得显著的超额收益，在成分股不低于80%限制、周单边换手率约束为20%约束下，2018年以来，新模型打分在沪深300、中证500和中证1000增强策略上年化超额收益率分别为17.40%、21.39%和31.52%，在成分股不限制、周单边换手率约束20%约束下，2018年以来，新模型在沪深300、中证500和中证1000增强策略上年化超额收益率分别为16.78%、27.20%和33.35%，整体表现较基准模型有较大幅度的提升。
　　根据单因子和指增策略回测结果，我们认为1）异常信号因子本身能捕捉到个股与市场交互作用，因此会给模型带来增量信息；2）通过对抗训练增加模型的鲁棒性，这将提升RNN模型在高信噪比数据中获取有效信息的能力，从而使RNN输出与自然训练方法产生差异性。
　　风险提示
　　量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。
　　极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。