开源金工因子挖掘2.0模型框架概览
　　在《深度学习赋能交易行为因子》，我们初步提出了1.0因子挖掘框架：1、日度变化类指标通过LSTM，提取隐藏层；2、财务指标截面标准化后拼接在其后，再通过MLP输出为最终的因子。本篇报告将对1.0版本的因子挖掘框架进行升级，主要为三点：1、变量的丰富；2、网络的迭代；3、应用的升级。
　　基础行情测试模型有效性
　　1、对于网络而言，本文选择GRU和GAT。对于GAT的关联网络我们尝试了：行业、财务、资金流三大维度，其中基于财务网络挖掘出的因子多头表现相对最好。
　　2、对于三种不同的GAT网络而言，未来10日RankIC与过去20日Barra因子收益存在一定相关性。相较于三个因子简单等权，本文采取SA加权：在训练时加入一层可学习的mlp层，输入端为Barra风格因子收益。
　　3、进一步地，我们参考《深度学习赋能交易行为因子》，考虑财务后，因子绩效进一步提升，尤其多头端提升较为明显。其10日RankIC为11.7%；多头超额收益为24.1%，信息比例为3.0；多空收益为58.9%，信息比例为5.1。
　　多特征集训练
　　1、G。该维度来自《深度学习赋能技术分析》，是基于基础行情的衍生指标，包含：技术指标和K线状态变量。因子10日RankIC为11.0%。
　　2、C。该维度是大小单资金流相关特征，包含：1、原始数据；2、衍生指标；3、状态变量。因子10日RankIC为10.6%。
　　3、HF。该维度是高频数据降维的日度特征。因子10日RankIC为11.6%。
　　4、DP。该维度是遗传算法有效因子。因子10日RankIC为11.4%。
　　5、合成。ML_C因子10日RankIC为14.2%；多头超额收益为26.1%，信息比例为3.1；多空收益为72.7%，信息比例为6.1。
　　深度学习应用
　　1、多头优选个股。在《深度学习赋能风格轮动和多策略融合》中，我们提出了基于强化学习的风格轮动方案。本篇报告中，我们将选股和风格轮动融合在一起，构建Beta+Alpha的深度学习优选组合。从2020年至今，全A优选50年化收益38.52%，在中证800+中证1000成分股内，优选30年化收益26.18%。
　　2、行业轮动因子构建。采取自下而上的聚合，构建行业轮动因子，10日RankIC为9.27%。其还可用在上证50增强中，超额年化收益为4.95%，信息比率为2.28。
　　3、指数增强。使用ML_C进行指增，从2020年至今，不同宽基绩效如下：沪深300增强超额年化收益为6.77%，信息比率为2.06；中证500增强超额年化收益为10.72%，信息比率为2.83；中证1000增强超额年化收益为14.41%，信息比率为3.26。
　　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。