研究结论
　　金融数据常因停牌、财报发布和突发事件等因素存在缺失、噪声及异常等问题，这些问题通常会影响模型稳定性以及样本外的泛化能力。本文提出一种RNN+NeuralODE+MLP融合模型，将时序数据建模为微分动力系统，然后进行数据重构和特征提取，从而提升模型样本外的选股鲁棒性。整个模型由以下部分构成：
　　通过RNN和Neural ODE模型构建变分自编码层（VAE层），利用RNN进行时序数据的压缩和降维，再将神经微分方程（Neural ODE）学习时序数据隐含的时序演化规律，将数据进行去噪和重构。
　　最后我们将重构去噪后的数据输入MLP层进行alpha信息的捕捉和挖掘，从而对未来收益率标签进行拟合。
　　模型因子对比
　　通过将Baseline模型和新模型因子多头绩效的对比，我们得到以下结论：
　　相较于Baseline模型，除2020年和今年，其余各年份Model1因子的多头超额均能大幅跑赢。而分组超额来看，Model1的Top组和Grp1组超额相较于Baseline模型分别提升了1.91%和3.07%，说明新模型相对于Baseline能大幅改善多头的表现。
　　在2024年出现较为极端的市场环境下，Model1因子多头超额相较于Baseline模型提升了6.63%，最大回撤也有所下降，说明Model1抗风险能力相对更强。
　　在各个回测区间，Model1因子的多头组合换手率相较于Baseline均有一定程度的下降。这意味着实盘可能有更高的交易成本优势。
　　 Baseline模型和Model1模型多头超额净值走势趋同度较高，各年度的最大回撤区间基本上重合，说明各类模型从相同量价特征中提取的alpha信息一致性相对较高。
　　因子选股能力和行业轮动能力的表现
　　新模型2018年以来在中证全指上十日RankIC均值为16.33%，top组年化超额分别为54.54%。相较于基准，新模型选股效果均有明显提升。行业轮动方面，2018年以来，新模型RankIC可达12.55%，Top组年化超额可达25.27%，各项指标表现也是显著战胜基准。
　　本文生成因子也可以直接应用于指数增强策略，在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、周单边换手率为20%约束下，在沪深300、中证500和中证1000增强策略上2018年以来新模型年化超额收益率分别为16.67%，21.37%和32.41%，超额的夏普比率分别为3.14、3.21、4.37。
　　风险提示
　　量化模型失效
　　极端市场造成冲击，导致亏损