本文根据实际数据展开研究,主要内容是研究模型在上证50ETF期权交易中的作用。本文就在15分钟一次的交易频率中,LSTM-SVR模型和传统的LSTM模型,进行对比。本文着重讨论基于深度学习的多模型组合量化交易策略在实际市场中是否起到为投资者达到套期保值,资源配置和投机获利的作用。预期通过基于深度学习中LSTM-SVR模型的组合量化投资策略和单一的LSTM模型的量化投资策略对比,得到的基于LSTM-SVR模型的深度学习的量化投资策略具有更高的收益,其收益曲线也更稳定。随着资金的借贷中使用的金融工具和支付系统的不断发展,金融创新得到了发展。金融创新的完善,在一定程度上对我国国内金融市场的量化交易起到了推动作用。股票、期货和期权市场作为全国市场经济的重要组成部分,其重要作用吸引了越来越多的研究者对市场价格行为研究。深度学习技术的采用使得通过计算机实现量化交易成为了一种可靠的交易策略。在中国,交易者只能先购买股票,这意味着交易者只能持有多头。此外,T+0交易也被禁止,这意味着交易者不能在同一天卖出他们当天所购买的等额股票数量。这些规则有助于铸就中国股票市场的特殊性,同时却对利用在这个领域基于深度学习的预测带来负面影响。与之形成鲜明对比的是,基于深度学习的数据挖掘模型成功避免了上述缺陷,并且更有可能获得更准确的结果。本文采用期权市场中交易复杂程度较高的上证50ETF期权作为研究目标。结合长期短期记忆网络（LSTM）模型和支持向量回归（SVR）模型用以预测50ETF的价格。首先,我们以15分钟的交易数据为研究对象制定最初的定量投资策略,使用该频率更符合实际交易情况。同时我们引入了 Delta套期保值的概念来控制量化投资策略的风险,从而实现15分钟的对冲策略。我们认为:最终交易价格、购买价格、最高价格、价格区间的最低价格、交易数量、历史波动率以及隐含波动率都是影响50ETF价格走势的关键因素。其次,为对最终价格的进行预测,在交易策略中采用LSTM-SVR模型。最后,我们比较了 LSTM-SVR与LSTM模型预测模型的准确性和偏差程度。实验结果表明,基于深度学习的定量量化投资策略比传统的投资策略具有更高的回报,收益曲线也更稳定。未来的研究中,我们将继续优化LSTM-SVR模型的配置以及开仓信号的定义。同时可能引入对更多维度和更高频次训练的讨论。