传统多因子选股模型构建多采用打分法或者线性回归,很难挖掘一些复杂的非线性关系。对于挖掘变量间的非线性关系的方法,一种直观的方法是采用神经网络进行构建模型,故构建一个基于神经网络的模型来挖掘潜在的非线性关系是本文的研究方向。但是在这个过程中,构建的神经网络模型会面临梯度消失问题和无法规避金融市场潜在系统风险问题,这将最终导致神经网络模型预期效果不太理想。针对上述问题,本文主要研究如何将传统多因子模型和神经网络算法结合,构建基于RNN-ACT算法的多因子选股模型来挖掘潜在的非线性关系。通过提高神经网络复杂度来解决梯度消失问题,同时针对模型存在的潜在系统风险问题,创新性的提出相对奇异点概念,基于相对奇异点有意义片段检测进行仓位管理与风险控制,优化与拓展RNN-ACT多因子选股模型。本文构建的模型能较好解决了梯度消失问题,且在金融市场的模拟环境下累计收益率超出基准(沪深300指数)的业绩表现。通过与传统多因子模型、LSTM模型以及离线学习模型的对比,发现超额累计收益率走势相差大,证明本文模型通过在线学习可以较好地对股票收益率进行预测,且能够不断适应市场环境的变化。且在规避潜在系统风险的问题上,通过相对奇异点的有意义片段检测方法,合理管理仓位,规避一定的潜在系统风险,从而证实了本模型的有效性和优越性。