当前,国内的量化投资市场正处于稳健的发展阶段,并且机器学习技术也在各个领域的运用上取得了相当大的成就,利用机器学习来进行量化交易逐渐成为了跨学科研究中的热点,这将使得量化投资已不再是早期简单的结合技术分析来构建投资组合策略,而是使用相关的算法进行证券池中的证券选取、证券价格变化预测、证券指数变化预测,通过模型的预测结果给予投资者在制定投资组合上一定的参考。本文主要利用循环神经网络建立了五个模型,对沪深300股指和沪深300股指中的100只权重股进行收盘价格的预测,主要工作如下:（1）模型M1只选用HS300股指的收盘价格作为特征,通过滑窗技术截取每交易日的收盘价格,并用前一个窗口的数据对当前窗口进行处理,将收盘价格转化成相对变化率,构建LSTM模型,对下一时期的收盘价格进行预测,但模型的预测效果并不理想。（2）模型M2选择HS300股指每个交易日的六个基础数据（开盘价、收盘价、最高价、最低价、成交量、成交总额）作为模型的输入特征,构建LSTM模型对输入模型时间跨度的下一个交易日的收盘价进行预测,在验证集上进行超参数调优后,模型在测试集上有较好的泛化能力。（3）模型M3在模型M2的基础上,将神经网络结构改成RNN,完成迭代训练之后,与模型M2进行对比,发现LSTM模型对证券时序交易数据的预测精度比RNN模型更高。（4）模型M4则是引入了证券市场的技术指标作为输入特征,构建LSTM模型,发现技术指标的加入并不能够给模型带来预测效果的提升。（5）模型M5,我们选取了 HS300股指权重股中的100只股票历史交易数据,选择六个基础交易数据作为输入特征,构建LSTM模型,通过实验结果分析,发现长短期记忆网络对单只股票的收盘价格曲线的拟合有不错的效果。（6）根据模型M2和M5的预测结果,以2019年作为回测期进行量化投资,在资金分割数目分别为20、30、40的情况下,算法的年化收益率分别为17.2%、9.12%、5.26%,对所有投资期的投资成功率分别为74%、66.7%、62.96%。