●基于技术指标的因子挖掘
　　在本文第一部分，我们主要利用股价数据（开、高、低、收、成交量），以及衍生出的相关技术指标进行因子挖掘。在挖掘方式上，我们对比了如下两种:(1)直接使用LSTM;(2）先用遗传算法挖掘出有效因子，再将其和原始数据一起作为初始变量，使用LSTM。其中，第二种方式下得到的因子LSTMdeap tech的RankIC从2019年至今为9.27%，高于第一种方式下LSTMtech的7.42%。除此之外，LSTMdeap tech基本包含了LSTMtech的alpha信息，在使用LSTMtech回归LSTMdeap tech之后，残差基本不具备选股效果。
　　●基于图形识别的因子挖掘
　　在本文第二部分，我们尝试从图形出发，构建形态选股因子。对于图形的识别，在深度学习领域，一种可行的方法即:使用CNN网络学习股票状态，生成状态隐藏层，接着通过全连接层输出涨跌判断。但是经过尝试我们发现:此方法训练耗时较长且对算力、内存要求较高;除此之外，图形识别无法涵盖一些更为细致的影响因素（如涨跌停等)），且可以涵盖的技木指标数量存在一定的限制。针对此情况，我们进行了方案的转变，即人为定义图形的状态。基于状态的划分，我们尝试了两种思路构建因子:(1）人工维度:构建历史形态相似度因子Tech_smilarity和K_smilarity，二者合成后Tech_K_smilarity从2019年至今其RankIC为4.87%;(2）深度学习维度:将状态变量放入LSTM中进行训练，得到因子LSTMgraph，2019年至今RankIC为9.01%。除此之外，LSTMgraph基本包含Tech_K_smilarity的alpha信息。
　　●综合的深度学习技术因子
　　在以上两个部分的讨论中，我们深度论证了在使用深度学习挖掘技术因子时，输入端对于最后结果的影响。本文给出两种尝试:(1)结合遗传算法有效因子，得到LSTMeap tech:(2）将技术指标转化为状态变量，得到LSTMgraph。由于二者是从不同维度出发构建的因子，因此相互都不能被对方完全解释，最终我们将二者等权合成，绩效进一步提升。合成因子LSTMdeap tech graph从2019年至今RankIC为10.89%，RankICIR为4.99，10分组多空对冲的年化收益为37.28%，整体衰现校为优异。
　　●其他重要补充:与LSTMpro站合
　　在《深度学习赋能交易行为因子》中，我们构建了因子LSTMpro。相较于LSTMdeap.tech graph只使用到了基础量价指标而言,LSTM p,o指标元素更加丰害一些，二者因子相关性仅达到38.61%。进一步地，我们将二者等权合成，因子绩效更好，从2019年至今RankIC为11.93%，10分组多空对冲的年化收益为39.85%。值得一提的是，相较于LSTMdeap tech graph，合成后因子多头分组更加明显,多头超额年化收益从9.40%提升至11.34%,收益波动比从2.01提升至2.80。
　　●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。