深度学习方法或存在高胜率低盈亏比的特点
　　我们通过样本外跟踪前期报告《神经网络因子挖掘——TCN日频量价因子》得到的日频量价因子发现，2023年四季度虽然持续有效，但是因子在2024年以来截止2月8日以来发生明显失效。经过多项测算，我们认为日频量价因子近期回撤分组来看，回撤主要集中在多头端；分域来看，回撤主要集中在小市值股票。而从深度学习模型训练方法出发，我们认为目前主流的深度学习模型都存在关注胜率，相对忽视盈亏比的问题。这可能是导致深度学习方法在构建策略时虽然长时间看胜率较高，但是也可能在短时间内遭受较大幅度的回撤的根本原因。
　　1分钟频率量价数据
　　为了进一步挖掘更多信息的量价因子，我们选择使用TCN模型对每日1分钟频率的量价数据进行因子挖掘，来尝试挖掘更多对选股有帮助的日内量价变化信息。在数据处理和模型训练框架的设计过程中，我们发现相比于日频量价数据，1分钟频率量价数据的数据量和处理难度都较大，因此我们选择了一种牺牲内存大幅提升网络训练速度的方法。虽然日内量价数据需要花费较大时间成本去处理和调整，但是这从另一个角度看这也可能是一种技术壁垒。
　　分日多模型TCN
　　我们最终的实验方案为使用过去5日1分钟频率量价数据来预测未来5日收益率。在网络结构设计上，过去5日数据直接放入单模型TCN可能存在一个经济意义上的问题，即不同日期的1分钟频率量价数据可能会有间断性。因此我们选择将每日的数据拆分后单独构建一个TCN进行学习，再将不同天数得到的信息进行集成。经过验证集的计算，分日多模型TCN明显优于单模型TCN。
　　1分钟频率量价因子+日频量价因子
　　我们将1分钟频率量价因子和日频量价因子分别计算截面均值方差标准化后再进行等权合成得到最终的“合成因子”。从因子RankIC变化和分组收益率来看，合成后因子的稳定性和有效性均有不小的提升，说明TCN神经网络所挖掘的日间量价信息和日内量价信息有较好的互补提升性。但是仍然存在“多空收益失衡”以及“短期回撤严重”等前文所总结的深度学习模型的弊端。2024年以来，“合成因子”呈现出以春节为间隔点先大跌后大幅反弹的现象。截止3月1日，因子在除中证全指以外的主流宽基指数成分股内已取得不俗的多头超额收益，而中证全指上的多头超额收益已从低点的-20%左右回升至-2.35%。
　　风险提示
　　1、深度学习模型训练过程中有随机性，可能导致预测结果有误差；
　　2、模型总结的市场规律是基于历史数据的，存在失效风险。
　　3、日频交易策略回测结果仅供参考，需要考虑实际交易存在的滑点等风险