深度学习赋能因子挖掘 2.0：综合应用方案

摘要： 本报告提出了量化因子挖掘 2.0 升级方案，通过引入 GRU（时序）和 GAT（截面）网络，结合财务指标和多维度特征集，构建了综合深度学习因子 ML_C，并验证了其在多头优选、行业轮动和指数增强中的有效性。

核心观点：

1. 模型框架升级：2.0 版本实现了变量丰富化、网络迭代（GRU+GAT）及应用升级，通过 SA 加权融合不同关联网络，显著提升了因子的预测能力。
2. 综合因子效能显著：合成因子 ML_C 在全区间测试中 10 日 RankIC 达 14.2%，且在中证 1000 等小市值样本空间中表现尤为优异。
3. 策略应用闭环：结合强化学习风格轮动可实现 Alpha 与 Beta 的协同优选，降低回撤，并在上证 50、沪深 300 及中证 500/1000 指数增强中取得正向超额收益。

论据支撑：

1. 特征集验证：系统测试了 PV（基础行情）、G（技术指标）、C（资金流）、HF（高频）和 DP（遗传算法）五类特征，证实财务指标能有效增强多头绩效。
2. 实证数据：ML_C 在中证 1000 指数增强中的超额年化收益为 14.41%，信息比率为 3.26。
3. 模型对比：实证表明 GRU 在时序挖掘上略优于 LSTM，且 SA 加权融合方案在 RankIC 和多头超额上均优于等权合成。

局限性/风险：
本报告模型基于历史数据测算，市场未来若发生重大 regime 改变，模型可能失效。