基于人工智能的量化投资模式相较于传统量化投资模式来说,聚合的信息量更大,对于信息挖掘的程度更深,可以获得更为显著的超额收益。数据的数量与质量是人工智能模型的生命线,而股票市场的高频数据具有规模大、易获得、标准化的特点,使得人工智能得以在股票的高频策略上进行广泛运用,本文结合了自动化特征工程与强化学习的DQN算法进行股票交易决策模型的构建,致力于打造一个稳健高效的决策智能体,以在股票的高频交易中获得稳定的超额收益。在特征构造上,本文采取了自动化特征工程的方法进行大批量的特征构造,试图挖掘出人的先验知识之外的有效特征,基础数据包括了15分钟频率的行情数据以及1分钟行情数据的衍生数据,通过各种类型的算子进行迭代的加工计算,批量生成了上万个因子。在特征筛选部分,本文分别采用XGBoost模型和XGBoost结合多重假设检验进行特征筛选,并通过在沪深300和中证500的股指上建模回测评估效果,发现加入多重假设检验思想进行筛选的特征更加有效。在强化学习的算法上,本文主要采用了DQN算法,将自动化特征工程得到特征作为DQN算法的环境变量,通过设计最小购买手数、限制卖空和账户可用资金和资产持仓等变量,以达到更贴合A股真实交易环境的目的。在DQN算法的智能体设计上,采用深度神经网络作为其Q函数。本文还对DQN算法以及几种DQN的优化算法进行了对比,包括PER-DQN、Mulity-Step-DQN和Noisy-DQN,通过用沪深300和中证500股指的特征对他们进行建模回测发现Noisy-DQN算法的性能和稳定性均是较优的。最后本文在不同行业的几只股票上分别构建了基于DQN算法的策略和传统的MACD和Dual Thrust策略,通过对比发现基于DQN算法的高频交易策略可以获得较为稳定的收益,其效果显著的优于传统策略。