尝试使用Deep Learning的方法去学习低频交易条件下的股票函数，看看是否能得到一个好的中短期股票交易的模型，为股票的购买决策做支撑。

本框架支持的功能

1. 从第三方接口（目前仅支持tushare上的**股票）下载过往的股票交易数据
2. 从交易数据中学习模型，学习的时候以未来一段时间的股票盈利情况为评判标准
3. 使用学习模型挑选出可供购买的股票选择或者为持有的股票决定出售时间

学习的过程中需要调整的参数：

1. 交易数据参数的选择，包括预测天数的影响，这里面需要注意避免使用如5日均线等和其它数据线性相关的数据，避免对学习产生影响；
2. 评判标准的选择，在输入数据的时候根据后续的情况计算得分评价；
3. 模型的选择，初步考虑DNN，另一个可能是RNN，因为股票交易的情况是时间相关的，越是最近的股票情况对未来的走势影响更大，但是需要考虑RNN的窗口普遍比较少。具体的需要实际学习的数据进行选择。 todo：保留不同选项下的学习的log数据

关于数据源，获得完整，有效的数据非常关键，目前的数据源有：

1. tushare，开源的数据，仅包含**股票的数据，数据非常不完整，很多数据都缺少，可能存在数据的偏差；