核心观点
　　基于循环神经网络构建选股模型，对输入特征、模型参数和训练方式进行多方面测试。根据测试对比结果，调整预测标签、样本数量及抽样方法、模型更新频率，对于绩效表现具有一定提升作用；GRU结构的稳定性和域通用性最强；特征集2综合表现最优、特征集3稳定性最强。
　　选股模型框架
　　基于循环神经网络构建选股模型，利用其内部循环结构更好地捕捉时序信息，并应用于截面选股。对输入特征、模型参数和训练方式进行多方面尝试：根据信息频率、生成频率和信息复杂度分别构建四种特征集；对特征集进行流程化处理，包含序列长度截取、时序变换、截面变换和缺失填补，在保留原始信息的基础上提升训练质量；以简单GRU结构为基础衍生出LSTM结构和AGRU结构，并调整网络结构超参数；适当改变训练样本数量、范围和抽样方法；以年频为基础对模型更新频率进行升频和降频；参考排序损失函数算法以修改训练目标函数。
　　初步对比测试
　　初步测试阶段均以特征集1作为测试对象，从对比测试来看：1）预测标签调整对分组绩效表现的提升作用明显；2）在样本层面调整抽样方法和数据量大小对绩效表现有一定影响作用；3）简单替换目标函数或拉长特征时序长度对绩效影响作用不大；4）保证网络结构维度数量以避免对绩效表现上限的限制。
　　综合对比测试
　　综合测试阶段会以初步测试阶段的相关结论为基础，着重对比不同特征集之间的差异，从对比测试来看：1）特征集方面，特征集2的综合表现最优、特征集3的稳定性最突出、特征集4全面落后；2）模型更新频率方面，频率并非越高越好、还需契合特征集自身特性；3）模型复杂度方面，简单模型结构反倒具有更强稳定性和域通用性；4）训练样本范围方面，适当缩减样本范围对特定特征集和特定指数域会有针对性提升。
　　风险提示：本文所有模型结果均来自历史数据，不保证模型未来的有效性