1.一种ai多因子选股方法，其特征在于，包括：
步骤1：整理因子数据，并搭建神经网络模型；
步骤2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；
步骤3：根据选取的有效因子，确定最终的神经网络模型；
步骤4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司。
2.根据权利要求1所述的ai多因子选股方法，其特征在于，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子；
所述财务因子包括：市值、市盈率；
所述技术面因子包括：k线形态。
3.根据权利要求1所述的ai多因子选股方法，其特征在于，所述步骤1包括如下步骤：
步骤1.1：对全部因子数据进行标准化并分成训练集和测试集；
步骤1.2：搭建神经网络模型，设定神经元个数、神经网络层数、损失函数以及优化器；
步骤1.3：将训练集数据输入神经网络模型进行训练，根据训练集中的预测准确率对神经网络模型进行微调，使准确率达到预设要求；
步骤1.4：将测试集放入训练完成的模型中，观察预测结果，判断预测结果是否符合预设要求：若预测结果符合预设要求，则将搭建完成神经网络；若模型不符合预设要求，则对神经网络模型进行微调，返回步骤1.2继续执行。
4.根据权利要求3所述的ai多因子选股方法，其特征在于，所述步骤1.3：
所述微调指调制模型参数；
所述模型参数包括：神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。
5.一种ai多因子选股系统，其特征在于，包括：
模块1：整理因子数据，并搭建神经网络模型；
模块2：将因子数据中的因子输入搭建的神经网络模型，输出不同因子的权重，选取权重绝对值大于预设值的因子作为有效因子；
模块3：根据选取的有效因子，确定最终的神经网络模型；
模块4：根据最终神经网络模型对股票进行打分，选出得分大于预设值的股票公司，记为市场表现较好的公司。
6.根据权利要求5所述的ai多因子选股系统，其特征在于，所述因子数据指可用于衡量公司质量的因子，包括：财务因子、技术面因子；
所述财务因子包括：市值、市盈率；
所述技术面因子包括：k线形态。
7.根据权利要求6所述的ai多因子选股系统，其特征在于，所述模块1包括如下模块：
模块1.1：对全部因子数据进行标准化并分成训练集和测试集；
模块1.2：搭建神经网络模型，设定神经元个数、神经网络层数、损失函数以及优化器；
模块1.3：将训练集数据输入神经网络模型进行训练，根据训练集中的预测准确率对神经网络模型进行微调，使准确率达到预设要求；
模块1.4：将测试集放入训练完成的模型中，观察预测结果，判断预测结果是否符合预设要求：若预测结果符合预设要求，则将搭建完成神经网络；若模型不符合预设要求，则对神经网络模型进行微调，调用模块1.2。
8.根据权利要求7所述的ai多因子选股系统，其特征在于，所述模块1.3：
所述微调指调制模型参数；
所述模型参数包括：神经元个数、神经网络层数、损失函数、优化器、模型的训练次数、损失函数的参数以及优化器的参数。
9.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的ai多因子选股方法的步骤。