本文提出AlphaNet 的三个改进方向，均取得理想的改进效果在华泰金工前期报告《AlphaNet：因子挖掘神经网络》(2020.6.14)和《再探AlphaNet：结构和特征优化》(2020.8.24)中，我们构建了端到端的因子挖掘和因子合成模型AlphaNet，深度学习的灵活性使得其具有很大的改进和定制空间。本文对市场规律和模型特点进行深入思考，提出了AlphaNet的三个改进方向：(1) 特征提取层自定义Dropout 机制；(2)损失函数加入中性化机制； (3)损失函数中提高多头样本权重。我们以前期报告中的 AlphaNet-v2 模型作为基线模型，对三个改进方向进行了测试，在测试中均取得了理想的改进效果。

特征提取层自定义Dropout 机制：控制过拟合，提升模型训练速度 Dropout 是神经网络中常用的控制过拟合技巧。本文借鉴Dropout 的思想，针对AlphaNet 的特征提取层实现了自定义Dropout 机制：对二元运算函数 (ts_corr，ts_cov 等)进行抽样遍历，该机制可从以下三点改善模型：(1) 节约二元运算函数的计算开销，提升训练速度。此外由于计算开销的下降，更多原始特征可以输入模型，有可能提升模型的预测能力。(2)抽样遍历得到的特征之间相关性下降，有利于控制过拟合。(3) 可降低不同随机数种子下训练模型的相关性，有利于模型集成。测试中，加入自定义Dropout 机制的 AlphaNet 在收益方面的表现有小幅提升，同时训练耗时明显减少。

损失函数加入中性化机制：剔除风格，挖掘更纯粹的Alpha 因子为了挖掘具有增量信息的因子，本文将因子中性化机制加入到AlphaNet 的损失函数中，新的损失函数可引导模型挖掘与Barra 风格因子相关性较低的因子，降低风格暴露，使得模型的预测结果具有更纯粹的Alpha 属性。测试中，AlphaNet 的损失函数加入中性化机制后，模型的超额收益虽然下降但是稳定性大幅提升，对回撤和波动的控制都显著改善，模型在2014 年底、 2019 年初、2020 年初的超额收益回撤都明显减小。值得注意的是，损失函数的中性化机制不仅适用于AlphaNet，也适用于任何神经网络选股模型，是一个通用的方法。

损失函数中提高多头样本权重：挖掘具有显著多头收益的因子由于A 股做空手段有限，在A 股进行因子投资一个常见问题是如何挖掘具有显著多头收益的因子。针对AlphaNet，可通过提高多头样本权重来引导模型挖掘具有显著多头收益的因子。测试中， 提高多头样本权重的 AlphaNet 在分层测试中TOP 组合收益率、TOP 组合信息比率更高，构建中证500 指数增强组合的年化超额收益率、信息比率更高。该方法是一种简单而行之有效的方法，无需从底层代码对网络进行修改，其他神经网络选股模型也可进行尝试。

风险提示：通过人工智能模型构建的选股策略是历史经验的总结，存在失效的可能。神经网络受随机性影响较大，可解释性较低，使用需谨慎。