主要观点总结
报告主要介绍了基于深度学习理论，结合量价与基本面因子进行选股策略的研究。报告首先解释了神经网络理论，包括神经元结构、激活函数、反向传播算法等，随后探讨了Lasso与MLP在量价因子和基本面因子上的表现，并展示了非线性模型在挖掘量价因子潜力上的优势。报告还尝试了不同的结合方式，包括等权结合、ICIR加权、输入层拼接和分支网络等，结果显示分支网络结合方式具有最佳效果。此外，报告还介绍了混频组合策略，并基于低频、高频、基本面因子构建了中证1000指增策略。报告最后对报告内容进行了总结，并提示了模型失效的风险。
关键观点总结
关键观点1: 深度学习理论介绍
报告介绍了神经元结构、激活函数、反向传播算法等，为后续的选股策略提供了理论基础。
关键观点2: Lasso与MLP的表现
报告对比了Lasso与MLP在量价因子和基本面因子上的表现，发现非线性模型在挖掘量价因子潜力上优势明显。
关键观点3: 不同结合方式的效果
报告尝试了多种结合方式，包括等权结合、ICIR加权、输入层拼接和分支网络等，结果显示分支网络结合方式最优。
关键观点4: 混频组合策略
报告介绍了混频组合策略，即结合短期和长期预测结果构建投资组合，结果显示有稳定的超额收益。
关键观点5: 中证1000指增策略
基于低频、高频、基本面因子构建了中证1000指增策略，结果显示年化收益率为11.59%，年化信息比为3.56。
文章预览
内容摘要 ▶ 本文是深度学习揭秘系列报告第一篇， 因此本文从基础的神经网络理论部分入手，介绍了神经元结构、Relu、Sigmoid等常用激活函数、反向传播算法，以及后文中用到的Adam优化器与Dropout层。 ▶ 非线性模型更能挖掘量价因子的潜力 。 本文以开源Alpha158作为量价因子集，以及常见的估值、成长、质量、分析师一致预期等因子作为基本面因子集进行基础研究，采用线性模型Lasso和非线性模型MLP分别对量价与基本面因子进行合成。结果显示，非线性MLP模型相较于线性Lasso模型在量价因子上优势较明显，MLP模型的5日RankIC较Lasso模型提升1.82pct，费后多头超额收益提升9.42pct；20日RankIC较Lasso提升1.94pct，费后多头超额收益提升6.54pct。但非线性模型的优势在基本面因子上不突出，MLP模型长期表现与Lasso模型几乎持平。我们认为可能有几个原因：1）基本面
………………………………
