本研究构建了一个风险中性的深度学习模型，用于预测股票收益，力求实现投资组合的稳定收益。该模型利用历史数据，结合relu激活函数、Batch normalization和Dropout等技术，构建了包含五个隐层的深度学习网络，有效提升了模型的泛化能力。

模型的输出维度为3，分别预测股票的上涨、下跌和平盘三种状态。模型训练采用BP算法和迷你批量梯度下降算法，以最小化均方误差（MSE）为目标，不断优化模型预测能力。

为进一步提高模型的预测精度，本研究采用了风险中性的选股策略。该策略结合多因子选股模型，分析股票特征，筛选出未来一期具有超额收益潜力的股票。

此外，本研究还引入了风险中性的样本标注方法，包括普通样本标注、行业中性样本标注和市值中性样本标注三种方法，以提升模型对未来股票收益预测的准确性，最终实现投资组合的稳定收益目标。