本文基于146个中国市场股票特征信息和深度学习方法来构建动态的因子择时交易策略。与静态的均值方差投资组合的和基于线性机器学习的投资组合相比，基于深度学习的因子择时策略具有最高的平均收益和夏普比率，并且在控制了传统的因子模型和交易成本后结果仍然保持稳健。结合中国股市特有的市场结构，我们发现基于错误定价的理论有助于解释我们的因子择时策略。

本文进一步拓展了深度学习在金融领域的应用。我们的论文将深度学习方法用于预测投资组合层面的收益，补充了其在资产定价方面的使用场景，提供了显著的投资收益。我们的研究也有助于提升对中国股票市场和因子择时的理解。尽管中国股市是全球第二大市场，但对因子择时的研究却较少。我们的论文显示了因子择时策略在中国的卓越表现，扩展了因子择时在新兴市场的应用。此外，本文发现质量和盈利能力相关的特征对主成分因子的贡献最大，呼应了与之前的相关研究。最后，由于中国股票市场的特殊性，例如多变的市场状态和卖空约束，我们通过基于错误定价的理论，揭示了因子择时的经济解释，这有助于理解投资者行为的周期性变化。

原文链接：https://onlinelibrary.wiley.com/doi/10.1111/acfi.13033