拟合产量的低信噪比问题极大地限制了深学习在低频量化策略中的应用。本文以综合因素与收益的相关系数为优化目标，接受深度网络实现的映射关系的学习，构建了深度相关模型。回溯测试结果表明，基于相关性的目标函数优于直接拟合收益，年化超额收益提高了7.41%，信息率提高了0.9。

投资聚焦：重设目的函数，破局低信噪比。

在高频量化投资中，深学习得到了很好的应用，但在低频策略中，深学习存在推广效果不足、稳定性弱、解读不佳等弱点。导致深学习不再“强”的最大问题仍然是训练数据的低信噪比，尤其是当拟合目的设置为收益率时。回报率的低信噪比使得误差信号的信噪比较低。为了解决这个问题，我们将优化目的设置为合成因子与产量之间的相关系数，以提高误差信号的信噪比。

传统的因子合成要领简介：

1)等权法，缩放后直接将所有等权因子相加；

2)将近期所有因素的信息系数(IC)作为权重进行加权；

3)通过优化合成因子的IC_IR进行加权，得到权重；

4)通过优化综合因子的IC进行加权，得到权重。在线性框架中，要点3和4具有相似的分析解决方案。

模子设计：将优化IC作为目的函数。

1)出于IC优化的目的，首先，关注合成因子之间的相对关系更详细，其次，通过计算统一周期内所有样本的误差信号，信噪比会更高。

2)刘梦熊进一步创新IC为加权IC，可以有效阻止局部排序与整体相悖的“陷阱”，更好地满足多头选股的使命。

3)神经网络设计：包括两层32单元的全邻接层和两层批量缩放层。

4)损失函数：计算出加权IC需要根据复合因素的大小进行排序，对应权重的顺序。计算指数衰减加权对多周期损失的影响，作为最终损失。

5)因素数据及其处置和处罚过程。共有21个因素被接受，包括基本面和估值。而因子和下一期收益都转化为行业市值中性的排名分位数。

模子测试：有用提升测试集IC。

1)五种基线系统。五个基线系统，即结构等权加权、历史集成电路加权、最大化历史集成电路、最大化集成电路_红外和Loss1神经网络，用于特定力。

2)战略的历史体现。在2012年1月1日至2021年10月26日的测试区间内，该策略实现了16.50%的年化超额收益，信息率2.31，最大回撤6.76%。回溯测试结果表明，与直接拟合收益相比，基于相关性的目标函数使年化超额收益提高了7.41%，信息比率提高了0.9%。