随着世界经济形势的变化,影响金融市场的不确定性因素越来越多,人们进行资产配置的思路开始倾向于获取稳定的收益。而对于股票市场来说,影响股价的因素错综复杂,难以人工地选取所有特征建立股价与其影响因素的关系式,另一方面金融时间序列往往为非线性时间序列,使用传统的回归模型难以准确刻画其特点。而深度学习算法恰恰具有自动学习、非线性的特点,这使其具有了准确刻画金融时间序列的可能性。本文以两种深度学习算法为研究手段,构建了一种Alpha策略,核心思想在于以卷积神经网络模型选取收益率表现优于沪深300指数的股票投资组合,以自编码器模型判断投资组合与指数的相关性以确定对冲比率进行股指期货对冲,最终获取Alpha收益。本文以股票过去三个月的开盘价、收盘价、最高价、最低价、成交量、成交额作为输入信号,以未来一个月收益率作为预测目标,搭建Le Net-5经典结构,并以2015年1月5日至2018年12月28日共975个交易日的数据训练卷积神经网络模型进行股价预测以及股票投资组合构建。并以2018年沪深300指数所有成分股收盘价数据训练自编码器模型,将同年的期现货投资组合净值数据代入模型计算投资组合与指数的相关性,以二者相关性最低为优化目标确定对冲比率进行股指期货对冲。经过回测,发现结论如下:（1）卷积神经网络模型选股能力较强,股票投资组合在2019年里实现了45.54%的累计收益率,跑赢沪深300指数9.47%;（2）自编码器模型能够有效判断投资组合与指数的相关性,通过对冲取得16.99%的绝对收益,Beta系数下降为-0.088。