随着人工智能学科的快速发展，深度学习模型在选股问题上得到广泛应用并有较为突出的表现。早期深度学习RNN 1.0选股模型只训练Alpha因子来预测收益，但由于缺乏明确准则界定Alpha与风险，模型产生的因子易在市场风格突变时失效（如2024年“9.24”行情中产生的负相关风险），随后的ABCM2.0体系虽然实现了Alpha与风险的分离，但仍无法完全刻画复杂的市场结构。我们认为在Alpha与风险之间存在一类“风格成分”，它们具有一定的截面解释力且选股能力微弱或不稳定，但其方向在特定条件下可被预测，因此我们搭建了一套用于捕捉风格信息的StyleNet3.0选股模型。
　　 StyleNet模型的核心思想在于通过拟合一批选股能力不稳定但其方向具有一定可预测性的因子来形成相应的风格因子，最终再通过对风格因子进行短周期加权的方式来捕捉风格轮动带来的超额收益。
　　对比3个版本因子的相关性与风格暴露情况，我们可以得出结论：不同因子间相关性较低，获得alpha收益来源互不相同，将不同因子叠加能够起到提升稳定性的作用。且相对于RNN因子，StyleNet模型对市场风格切换的灵敏度相对更高。
　　对各个因子多头超额进行回测，我们发现：
　　StyleNet因子2024年以来的超额净值走势与其他因子存在较大差异，并且其还能提供独立于RNN和ABCM因子的增量信息；
　　把StyleNet因子叠加到RNN+ABCM因子上，合成因子表现有了大幅提高，2018年以来中证全指上RankIC可达15.51%，年化多头超额可达49.42%。
　　合成因子在指增模型和行业轮动模型上亦有较好的表现：
　　2018年以来，因子在沪深300、中证500和中证1000指增模型上年化超额收益分别可达15.09%、17.83%和27.98%；
　　在行业轮动上的RankIC可达10.68%，Top5行业年化绝对收益可达23.83%，每年绝对收益均为正。
　　风险提示：1）量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。2）极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。