本研究针对高频交易中的回报预测标签不平衡问题，利用深度学习框架成功预测中国期货市场的高频回报，代码已公开，具有应用潜力。

本研究提出了一种名为RVRAE的动态因子模型，结合变分循环自编码器，专注于市场数据的时间依赖性和噪声。RVRAE通过先验-后验学习优化，特别适用于波动性股票市场的风险建模和回报预测。实证测试表明其性能优于其他方法。

研究者提出了L2GMOM，一种机器学习框架，利用金融网络预测回报。回测结果显示，投资组合的盈利能力和风险控制有显著提高，夏普比率为1.74。