在系列前期报告中，我们基于不同颗粒度的特征，使用RNN类模型训练得到深度学习因子。本文在此基础上，对比和讨论不同类别深度学习模型训练得到的因子的周度选股能力，并对于多模型集成因子的效果进行测试与分析。
　　卷积类模型呈现出显著的周度选股能力。其中，TCN类模型表现较优，因子周均Rank IC和极值组合超额收益与BiAGRU模型接近。BiATCN周均Rank IC为0.137，Top10%组合年化超额收益33.8%。
　　 Transformer类模型呈现出显著的周度选股能力，但略弱于BiAGRU模型。其中，Transformer表现最优，Informer次之，PatchTST相对较弱。Transformer模型周均Rank IC为0.129，Top10%组合年化超额收益30.6%。
　　线性类模型呈现出显著的周度选股能力，但明显弱于BiAGRU模型。其中，TSMixer表现最优，DLinear和RMLP次之，RLinear相对较弱。TSMixer周均Rank IC为0.12，Top10%组合年化超额收益26.8%。此外，在引入DLinear对输入特征的进行处理后，DBiAGRU的极值组合超额收益小幅提升。
　　多模型集成。不同模型训练得到的因子之间虽然存在较高的截面相关性，但极值组合的历年多头超额收益依旧有一定的差异，尤其是对比BiAGRU和其余模型。通过简单的分析可知，不同模型对量价信息的学习和调整速度并不一致，使得它们在特定时段的表现出现分化。由于模型的网络结构、超参数选择等因素皆会影响模型对量价信息的学习和调整，我们尝试将不同网络训练得到的因子等权集成，希望获得更稳健的因子表现。
　　集成模型表现更优。BiAGRU模型叠加BiATCN或Transformer后，因子表现进一步提升。周均Rank IC在0.14以上，Top10%组合和Top100组合的年化超额收益分别为34%和40%左右。综合来看，+BiATCN模型和+BiATCN+Transformer模型的周度选股能力更强。
　　 AI指数增强。以BiAGRU模型为基础，再与其他模型集成后，全市场选股的中证500增强组合的年化超额收益从16.5%提升至17.4%-18.5%；全市场选股的中证1000增强组合年化超额收益从22.5%提升至24.3%-25.1%，80%成分股约束的中证1000增强组合年化超额收益从20.0%提升至20.5%-21.4%。其中，BiAGRU+BiATCN和+BiATCN+Transformer模型的超额收益相对更高。
　　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。