自20世纪60年代世界上第一只量化投资基金诞生以来,量化分析就逐渐成为投资者进行股票策略研究的手段之一。从1989年至2009年,以西蒙斯为代表的大奖章基金创造了35%的平均年化收益率。正是在西蒙斯管理的大奖章基金超额收益的吸引下,量化投资这一技术得到越来越多投资者的关注。如今,随着股票市场复杂程度的提高,传统多因子量化模型已经不满足当今股票投资分析的需求。为了扩大模型的运用范围,许多研究者将非参数统计方法引入量化分析领域,例如时变参数多因子模型。与传统方法相比,该模型具有捕捉非线性数据信息的能力,故能够尽可能地捕捉市场信息,达到更高的预测精度。但是,这类模型本质上为变系数模型,因此模型结构的设定仍然存在一定的局限性,故本文考虑将变系数模型的思想与神经网络结合,利用深度学习方法使变系数模型结构广义化,从而扩大变系数模型的应用范围,提高该模型对数据的拟合及预测能力。为了进一步说明“将神经网络与变系数模型融合”方法的有效性,本文根据数值模拟的结果来说明变系数-神经网络模型在拟合及预测方面的精准性,并将其用于股票量化投资领域。在模拟研究中,本文首先考虑将变系数模型与BP神经网络模型融合,随后将模型进行推广,构建出变系数-RNN神经网络模型。研究结果显示,模型中的窗宽h平滑参数对变系数-BP神经网络以及变系数-RNN神经网络模型均有较大的影响,因此,本文利用交叉验证方法（K-CV）来选择模型的最优窗宽,随后利用Adam算法来对模型参数进行迭代。通过与变系数模型、BP神经网络等模型的比较,本文得出经过参数调整的混合模型具有较好的拟合及预测能力。在股票量化投资策略研究中,本文首先根据技术指标构建技术因子,随后对风格因子中的流动性因子做市值中性化处理,得到流动性残差因子。为了体现变系数-RNN神经网络模型的选股能力,本文分别尝试将单因子以及合成因子与该模型结合的思路,通过比较不同模型的MSE以及累计IC水平,选择出预测能力较高的变系数-RNN神经网络模型以及变系数自回归模型,并分别选取模型预测收益率较高的十只股票作为投资组合。为了对投资组合的盈利性进行判断,本文主要利用择时策略来对投资组合进行模拟交易,并通过比较风险评价指标的计算结果来判断在相同风险下投资组合能够获取收益的高低。经实证研究发现,基于变系数-RNN神经网络模型构建的投资组合能够获得较高的收益,同时经过模型迭代法合成后的因子能够有效地提高该模型的选股能力。由此可以说明将合成后的因子与变系数-RNN神经网络模型融合在策略选股方面具有一定的优化效果,本文在股票量化投资策略研究中具有一定的现实意义。