科学技术快速发展的今天,传统的股票投资方式已经不再适用于现代的股票市场,新兴的量化投资方法受到投资者的广泛关注,依赖计算机技术的机器学习算法被越来越多地应用于股票研究领域。把前沿的机器学习算法和传统金融数据指标相结合,对数据进行充分清洗和处理,并对数据运动的轨迹进行学习,在充分学习金融指标运动内在原理后对未来金融数据进行预测,为投资者提供投资策略的参考。机器学习其模型具有存储量大,学习精度深等优点,和传统金融数据具有一定的适配性。目前的多因子分析方法和深度学习算法研究方法和研究结果中并没有统一最优的算法架构,研究者们各有说辞,不管是基于传统金融数据指标的特征筛选框架,还是机器学习算法超参数的设置与调优,就目前研究结果来看并没有统一的标准准则,本文就以上问题展开了深入的研究与分析,取得了如下成果:（1）选取因子方面,本文提出基于长短期记忆网络这一循环神经网络变体之一的深度学习模型进行多指标多特征的因子选股模型。本文研究过程中数据来源为Wind量化平台提供的相关数据指标,在获取数据时将数据的获取区间设置为2011年1月1日至2020年12月31日十年期数据,数据种类为沪深300成分股数据,获取数据后将十年期股票数据按照时间序列进行划分为训练学习集、检验测试集。在特征选取方面,本文在研究过程中使用IC因子法检验各技术指标对下一期指标数值的预测程度,确定模型输入特征向量的时间序列长度为2011年至2016年12月31日六年期训练学习数据集,经过模型计算筛选有较好预测力的技术指标,最终筛选出50个具有预测力的技术指标因子。（2）在长短期记忆网络模型的构建方面,本文在研究过程中试图通过多种方式对模型的精度进行不断优化,主要针对模型结构、模型超参数调优、股票标签设置和过拟合问题的处理提出自己的理解和改进方法。通过Wind量化平台中的回测系统构建了多技术指标选股多头策略,最终得出本文的量化策略构思过程和结果能够帮助投资者在股票市场中获得一定超额收益。