随着我国金融市场市值不断增加,越来越多的人投入到金融的投资理财当中,量化投资已经成为金融领域比较重要的一个技术工具,在我国市场,传统交易模式越来越难以使得人们在股市中盈利,因为人为交易不可避免地会产生恐惧,贪婪等心理,在纷繁复杂的市场上,正是因为这种心理的作用,使得大部分散户都在亏损,甚至很多人对金融市场畏惧,这里,量化交易的优点就体现出来,它克服了传统交易模式的人性的弱点,让交易模式变得固定,从而尝试在市场上长期稳定的盈利。本文分析了量化交易的特点,采用强化学习的交易模型,分析了交易模型的预测,以及交易模型的不同学习模式,通过构建双层混合网络的预测模型,让交易预测准确率大幅提升。同时,在强化学习模型中,本文采用了混合网络的学习模型,基于policy-gradient的强化学习模型,让学习效果增强不少,本文提出构建限价单而非市价单的思想,解决了高频交易中手续费这一大痛点,同时大大降低市价单的风险。基于神经网络的预测模型不罕见,困难的是在分钟级别的金融数据上有良好的适应性,为此,本文提出的混合模型hybrid-policy-gradient混合模型在分钟级别的高频交易上有良好的适应效果,对比实验模型LSTM,DQN,DPG等经典算法,可以看出本文的算法在准确率,收敛性,盈利能力上都要优秀很多。