金融领域是人工智能的重要应用领域之一。量化投资模型研究主要集中于基于单视角、传统机器学习和深度学习算法,但单视角研究存在局限性,为此本文进行如下研究:1)设计深度学习与多视角结合的短期择时分类模型——DMVSTC模型。为了解决视角单一的局限性问题,本文设计的模型引入了多视角,并与深度学习相结合进行短期择时研究。首先,根据不同技术指标训练出5个卷积神经网络模型,分别进行股票趋势分类,得到图像分类视角结果值;其次,训练LSTM模型完成股票收盘价预测,处理后获得股价预测视角结果值;然后,利用网络爬虫技术抓取数据并对其进行文本分析处理及函数判断,得到情绪指标视角结果值;最后,对以上三个视角采用GBDT算法进行信息融合完成股票短期择时分类。回测实验表明相同视角情况下,多技术指标优于单技术指标;相同技术指标情况下,三个视角优于两个视角。2)设计基于敏感指标优化的DMVSTC模型——SIDMVSTC模型。针对DMVSTC模型,无法解决特殊因素对结果起决定性影响的问题,本文在该模型信息融合阶段进行优化,利用“敏感指标”约束方程取值,回测实验证明SIDMVSTC模型效果优于DMVSTC模型。3)设计实现多视角数据集成系统。为了获取模型中三个视角的数据信息,根据系统的需求分析,本文设计实现了交易数据处理子系统和情绪指标网络爬虫子系统。