机器学习的发展带动了金融市场的创新进程.而在金融市场中处于核心地位的股票市场，它的行情走势具有高噪声、多因素影响、不稳定、非线性等特点.因此研究人员和投资者为了更好地指导股票投资，通过对其过程进行分析来建立有效的策略.量化择时作为量化投资领域重要的一部分，深受投资者青睐.本文选取能够反映市场整体走势的沪深300指数的历史交易数据作为研究对象，对其进行基于神经网络的择时交易策略研究，为战胜市场获取超额收益提供了新的途径.
　　本文创新性地提出将神经网络模型与传统量化择时方法相结合的思想.首先基于长短时记忆网络(LSTM)以及序列到序列网络(Seq2Seq)来预测后1日收盘价.在此基础上，引入粒子群优化算法(PSO)对LSTM训练过程中的参数进行优化;引入注意力机制(Attention)解决了Seq2Seq训练中信息压缩的问题，分别提出PSO-LSTM和Seq2Seq-Attention股价预测模型.其次构建了基于移动平均线(MA)、平滑异同移动均线(MACD)、平均差(DMA)、三重指数平滑平均线(TRIX)四种趋势型指标的最优组合策略，并将股价预测结果用于趋势择时组合策略的研究分析上，最后从交易情况、年化收益率、最大回撤三方面比较不同量化择时策略的优劣.
　　综合上述分析，本文得到以下几点结论:
　　1.基于LSTM、Seq2Seq、PSO-LSTM、Seq2Seq-Attention神经网络对股票历史数据进行建模，可以用于未来收盘价的预测.并且在预测精度方面，两种改进后的模型PSO-LSTM和Seq2Seq-Attention的精度均优于未改进的模型LSTM和Seq2Seq;在预测结果与真实结果走势波动一致性方面，Seq2Seq及其改进模型Seq2Seq-Attention的效果均优于LSTM和PSO-LSTM.
　　2.基于股价预测结果结合趋势择时方法的策略，可以有效地指导股票投资.并且综合择时策略的收益和风险来看，虽然PSO-LSTM收盘价预测精度上要高于Seq2Seq-Attention的预测精度，但是Seq2Seq-Attention模型却能更好的预测股价走势，从而当其与趋势择时组合策略相结合进行择时交易时，能够在较好地控制风险的条件下产生较高的收益.