递归神经网络RNN
        RNN  不同于传统神经网络的感知机的最大特征就是跟时间挂上钩，即包含了一个循环的网络，就是下一时间的结果不仅受下一时间的输入的影响，也受上一时间输出的影响，进一步地说就是信息具有持久的影响力。http://www.hibor.com.cn【慧博投研资讯】人们在看到新的信息的时候产生的看法或者判断，不仅仅是对当前信息的反应，先前的经验、思想的也是参与进去这次信息的推断的。http://www.hibor.com.cn（慧博投研资讯）
        数据端改进
        尝试了不同的数据输入，包括相对收益率标签、特征个数优化、时间步长缩短等方式，相对收益以及特征个数优化具有一定的效果提升，但是中性组合的预测仍然无法与看多组合区分开。
        RNN-ACT
        从RNN  的算法特点上看，随着层数的增加，以tanh  作为激活函数的RNN  网络会面临梯度消失的问题。ACT  则提出了另一个方向的增加深度，即在每一次的学习中，增加同一批数据重复学习的次数，以此提高RNN  网络的复杂性。
        ACT  选股模型
        从学习性能上看，对比LSTM  的网络结构，准确率的收敛速度有所增加。本次的对照来看，在多因子选股上，我们能够观察到速度的提高，从LSTM在7000次迭代时的收敛提高到ACT  的5000  次以下的收敛。
        从收益上看，多、空以及中性三个类别最终的收益曲线能够显著分开，这是相比LSTM模型提升效果最为明显的部分。
        ACT  选股模型
        组合的平均占比在42%左右，而HS300  在最近15  个月，涨幅超过30%的比例是33%左右，RNN  网络对看多股票的预测相对偏多。同时，对比市场指数在接下来的实际涨跌幅我们发现，神经网络预测的看多股票的比例与市场的实际涨跌幅有一定的关系，组合比例提高对应接下来的市场上涨这一现象的胜率大概在75%左右，市场的趋势对神经网络的结果有较为明显的影响。