Fama于1970年提出有效市场假说,是目前最具争议的投资理论之一。国内针对股票市场的有效性做了大量研究,许多文章指出中国股市达不到弱式有效市场的标准,然而完全基于历史交易数据的投资策略的实际效果并不理想。本文认为这主要归因于传统模型过于严苛的线性假设影响了模型的泛化能力。基于股票配对的思想,本文设计了一种基于深度学习技术的均值回归策略,利用其良好的非线性拟合能力和泛化能力,能够发掘历史价格数据中的信息获取超额利润,进一步论证市场的非有效性。深度学习是一种基于人工神经网络技术的多层神经网络模型,具备优秀的非线性拟合能力以及良好的泛化能力。本文使用一种特殊的循环神经网络,长短期记忆模型(LSTM)作为主模型,用于量化投资策略。长短期记忆模型具备长期记忆能力,能够发掘序列数据中的长期规律。不同于配对交易的两两配对,本文所设计的策略以16只银行股作为被交易对象,利用深度学习技术,以其中15只股票收益率拟合最后1只股票的收益率,通过训练好的深度神经网络计算出每一时点每只股票收益率的长期均衡水平,以其预测的长期收益均值而非历史均值作为判断均值回归的依据。本文设计了两种策略方案,分别研究了包含与不包含做空机制下对策略收益的影响。结果显示两种策略的盈利能力相当,交易期平均累计收益均超过了11%,盈利能力显著优于传统的配对交易策略,只是不同市场环境下的表现有一定差异。此外,本文对比主成分分析(PCA)、独立成分分析(ICA)、自编码器(Autoencoder)三种特征提取方法与不进行特征提取的深度学习模型对策略盈利性的影响,结果显示不加特征提取的模型Single-DNN取得了较高的收益,但未显著高于其他三种模型。本文提出的是一种基于深度学习技术的均值回归策略,相比于传统的配对交易策略有两大优势:一是模型优势,本文策略利用的深度学习模型是一种强大的非线性拟合能力,并具有良好的长期记忆能力和泛化能力,利于捕捉股票的长期均衡收益率;二是信息优势,不同于传统的配对交易策略仅是简单的一一配对,基于深度学习的均值回归策略采用的是多对一的配对,配对股票数量的增加带来的是信息量的递增,因此取得了更好的策略效果。最后,本文通过实证结果发现分析银行股股票的历史交易信息可以获得超额收益,为中国股票市场不是一个弱式有效市场提供了实证依据,并从相关理论出发分析其中的原因。