这篇研究报告旨在解决金融领域中极具挑战性的“因子择时”问题，为克服影响因子表现的变量众多、关系复杂、动态时变以及因子间存在共同结构这四大难题，作者创新性地提出了一种带有经济学动机约束的深度学习模型——动态多任务神经网络（DMT）。该模型的核心在于，它利用多任务学习（Multi-task Learning）架构在一个统一的框架内同时预测所有因子的表现，从而有效捕捉它们背后共同的潜在驱动因素并防止过拟合；同时，它还整合了长短期记忆网络（LSTM）来动态地从海量宏观与金融数据中提取时变的状态信息。