本篇报告主要介绍了深度学习神经网络LSTM的改进版本——eLSTM模型的设计原理及性能表现。
　　在过往报告《扩展长短期记忆网络xLSTM——人工智能系列之三》中介绍了xLSTM网络的原理并对其技术点进行了拆解。eLSTM即从xLSTM中得到灵感，使用指数门控代替了传统LSTM模型的Sigmoid门控，并采取措施对输出的数值稳定性和指数门的数值稳定性进行了控制，最终得到了性能更优秀的eLSTM模型。
　　本报告设计了控制变量实验对eLSTM的性能进行测试，基准模型为LSTM模型和GRU模型。以全A股的日频量价数据作为训练数据集，分别以eLSTM/LSTM/GRU模型为基础构建了其余网络结构均相同的选股因子生成模型。在训练过程中，控制模型各项超参数与训练条件相同，并在全A、沪深300、中证500、中证1000四个股票池中对三组因子进行了单因子测试。
　　测试结果表明：
　　（1）在全A范围进行选股时，eLSTM因子的多头组年化收益率（18.24%）以及超额年化收益率（19.96%）均大幅度领先LSTM因子（多头11.29% /超额12.90%）和GRU因子（多头13.88% /超额15.53%），控制回撤能力也相较于另外两组因子小优。eLSTM、LSTM、GRU因子的超额最大回撤分别为4.29%、5.24%、4.29%
　　（2）在沪深300、中证500、中证1000成分股中进行选股，即在训练集的子集中进行选股时，eLSTM因子的表现依旧较为稳健，相比于在全A选股的表现退步较小。而LSTM因子和GRU因子则在不同的股票池中均表现出了相对于在全A选股的较大退步。这表明eLSTM相比于基准模型能够更完整地提取出不同类型股票的关键信息。
　　以上两个结论能够证明改进后的eLSTM模型相对于LSTM模型具有明显的性能提升。同时eLSTM模型的性能相比于GRU模型也更优。
　　风险提示：本报告为模型能力探索，测试结果基于历史数据，存在模型失效风险。