在金融市场中,如果想要不断获取超额收益,就需要制定符合市场规律的交易规则,而这种规则往往也是反人性的。如果只是人为控制交易的时机,制定交易的策略,往往容易掺杂个人情感,很难回避自身的人性给交易策略带来的影响。但是如果找到了符合市场的交易规则,再用电脑来代替人进行交易,不仅可以快速地捕捉到整个市场的交易机会,还能避免人性自身缺点的影响。因此寻找到最适合当前市场的投资策略,就成为了研究人员一直在探索但至今尚未完全解决的问题。本文将深度学习算法应用于量化交易领域,将沪深300指数成分股作为股票池,使用基于神经网络模型预测的超额收益率进行选股,将预测的超额收益率与传统择时策略相结合,通过实验结果来对各种策略参数进行选择,期望形成一个较为稳健的量化交易策略,使投资者在市场中获取收益成为一个大概率事件。为此目的,本文主要进行了以下工作:首先,构建选股模型。选用适合处理金融时间序列数据的三种循环神经网络模型,以股票下月超额收益率为标签,股票当月各种指标为特征来训练网络模型。为了更好地训练模型,本文选取了5个大类共30个指标数据作为特征;为了降低数据噪声,提升数据间相关性,本文使用了LASSO方法对指标进行筛选和PCA方法对数据进行降维。通过对比实验发现,PCA方法更加适合本文实验环境;三种神经网络中,LSTM在实验中表现最好。其次,研究量化交易策略。将选股模型预测的超额收益率与择时策略信号相结合,设计交易信号T＿signal。将选股模型分别与双均线策略、MACD策略相结合,设计基于选股模型的择时策略,使用交易信号指导交易。作为对比,设计了仅用选股模型进行选股交易的基础策略。通过实验寻找滚动区间,对各策略进行滚动回测。通过实验最终得出基于PCA-LSTM选股模型的滚动双均线策略在2017年至2020年的市场中可以获得17.916%的年化收益率,并且最大回撤仅为16.139%。相比于基础策略虽然没有提升收益,但是最大回撤却降低了16.361%。可以得出基于PCALSTM选股模型的滚动双均线策略能够达到降低投资者在市场中承担的风险、及时捕捉市场多头情绪、给投资者带来收益的目的。最后,设计并实现基于选股模型的交易策略系统。系统共分为四个模块,分别是策略调整模块、股票交易模块、股票信息模块和后台管理模块。系统具有易使用、易管理、易扩展的特点,更加符合当前时代,能够使本文策略更好地指导投资者进行交易。