遗传算法绩效回顾
　　我们在《遗传算法赋能交易行为因子》中，创新性地提出“切割算子”，并结合其他算子和变量，利用改进的遗传算法流程，经过1轮10代的挖掘，得到了开源金工遗传算法因子：Alpha185。从2017年1月至2024年4月，合成后因子RankIC为12.14%，RankICIR为4.45，10分组多空年化收益为34.79%，信息比率为3.16，2022年6月份以来的样本外整体表现也较为优异。
　　深度学习挖掘因子
　　基于LSTM框架的因子挖掘，为本文主要讨论的部分，从输入层到输出层分为4部分：1、输入层。我们考虑了三大类变量：日频量价、分钟频量价、大小单资金流；2、中间主体模型。我们使用时序处理应用较多的LSTM模型；3、加入财务数据，弥补量价类因子多头端分层一般的劣势；4、输出层。我们对比了单输出和多输出的绩效差别。
　　1、未考虑财务数据的RankIC为8.08%，RankICIR为3.99，已经具备较为优异的选股效果，但10分组多头较为一般，为量价类因子普遍的劣势。进一步地，我们引入财务数据去改善。
　　2、对于财务数据而言，考虑到其时序变化较慢，我们并没有将其和日度变化的量价类指标一起作为初始输入层数据，而是将其转化为分位点后，放入输出层前一层，和量价类指标通过隐藏层后的神经元进行拼接，一起通过全连接层输出为最后的因子。该因子RankIC为9.17%，RankICIR为4.49，相较于整体的绩效有所提升，更为重要的是，多头端的分层效果更为优异。
　　3、通过在原始损失函数的基础上加上多因子间的相关性惩罚，我们构建了多输出_，但是该因子绩效相较于并无显著提升，训练成本反而更高，所以为本文最后推荐的因子。
　　深度学习改进因子
　　除了因子挖掘，LSTM框架还可以尝试因子改进，本文我们以理想反转为例进行小篇幅展开，尝试使用LSTM对其进行改进，具体的做法即在原损失函数的基础上考虑与待改进因子的相关系数。改进理想反转因子的RankIC为-9.03%，RankICIR为-4.13，明显优于原始理想反转。
　　人工因子、遗传算法因子、深度学习因子对比
　　对于人工因子而言，我们选取了8大因子：理想反转、APM、聪明钱、理想振幅、主动买卖、大单残差、小单残差、散户羊群效应，8大因子的等权合成综合因子RankICIR为4.59；遗传算法Alpha_185因子RankICIR为4.45；深度学习因子RankICIR为4.49。在多头超额上，深度学习因子表现最优，在中证1000指数增强上表现也最好。
　　风险提示：本报告模型基于历史数据测算，市场未来可能发生重大改变。