众所周知,中国股票市场成立二十年以来还尚未达到强有效市场,因此我们可以采取一定的技术手段来预测股票市场的收益。预测股市收益率是一项具有挑战性的任务,优秀的预测模型和策略能带来理想的收益率。近年来,与机器学习相关的算法在金融领域流行起来,机器学习的发展使得信息的挖掘更加透彻,可以在很大程度上提高决策的准确性和有效性。基于神经网络的机器学习算法已经在图形图像识别、人工智能等领域得到了很好的发展,我们还可以进一步探讨其在股票市场收益率预测方向的运用。参考目前的大多数研究文献,国内外学者多采用统计学和计量经济学的模型用于股票价格序列收益率预测,但是当预测变量数剧增且高度相关时,传统预测方法就明显落后于新颖的机器学习方法了。国外对于机器学习在金融市场的研究已经十分丰富了,Gu等人（2020）研究了系列的机器学习方法,如基础线性模型、树形模型、神经网络模型等,发现了机器学习可以从大量的变量中挑选有效的因子进行预测,极大的弥补了计量方法预测变量的不足。Wong等人（2020）在Gu等人（2020）的神经网络模型方面进一步改进,引入在线早停算法,得到了预测效果更优的模型。国内市场对于神经网络在金融领域的研究相比国外的研究更少,因此本文来探讨其在中国股市的适用性。本文讨论了时变环境下的神经网络训练问题,对中国股票市场的收益率进行了预测分析,再对预测因子的重要性进拆分讨论,最后对预测的效果进行了检验。本文通过先进的时变神经网络算法,探究其是否优于普通的深度神经网络算法,研究我们的模型能否对于复杂维度的数据信息进行挖掘,最终预测出股票的收益率信息。接着,我们还讨论了不同的特征在不同时期的重要性,为之后的因子研究做铺垫。本文使用了随机梯度下降算法、批量正则法、惩罚线性模型、dropout方法等组合算法,最后分别得到了 DNN模型（深度学习网络模型）和OES模型（在线早停算法模型）对于中国股市股票收益率的预测。本文选取1991年6月到2021年6月全部A股市场共计4000多只股票。特征集包括62个企业层面特征、85个行业虚拟变量。本文得出的结论主要包括:（1）OES模型相比于DNN模型对于中国股市的收益率预测效果更佳,分位累计收益率之间界线更加清晰。（2）OES模型相比于DNN模型需要更少的数据量和更少的运行时间,因为OES模型每次迭代只需前两个周期的训练数据,而DNN模型的数据窗口是递增的。（3）通过基线预测的方法结合OES模型可以观测变量随时间变化的重要性变化,我们发现特征变量的重要性随时间变化而变化。（4）本文筛选出了一些重要性高、信息含量高的因子,比如:总资产周转率变化、特质波动率、账面市值比、研发成本市值比、Roe等等。（5）对已经预测出收益率的股票池,再结合信息含量高的因子双重排序,可以筛选出收益率更高的策略。本文研究的创新点主要有以下三个方面:（1）本文在Wong等人（2020）对于美股市场收益率预测研究的基础上进一步探究了 DNN算法和OES算法对于中国股票收益率预测的效果,并且对于原模型参数进行了多方面的尝试性研究,分别通过学习率调整、epoch调整、替换L1正则化为dropout方法的探索,得到了预测效果更好的模型。（2）本文在实证研究方面构建了适用于中国股市的特征因子,将所有因子分为事件类因子、市场因子、估值因子、基本面因子四大类,并且选取了各大类因子中具有代表性的变量和行业因子中具有代表性的行业来进行进一步的时变重要性分析,为不同时期的特征变量选取提供方法。（3）本文在应用方面构建了多分位的投资组合策略,并且将由特征重要性分析得出的显著因子与预测的股票收益率结合,构建了双重排序的投资组合策略,为在中国股市构建更高的投资策略提供指导性的方向和意见。由于本人研究经验不足,本文存在一些不足:（1）本文对于超参数的设置参考了 Wong等人（2020）对于美股市场收益率预测的配置,后续参数的调整也只是在一个小范围内进行的。我们的模型如果要应用于中国股市,还需要后续大量时间来反复试验。（2）本文发现在某些年限特征的重要性呈现整体性的偏高,这是因为在这些年限模型自身的预测效果不佳,因此本文的特征重要性结果仅能提供部分参考。