人工智能技术的进步重构了人们对数据的认知,人工智能分支之一的机器学习逐渐进入金融领域。机器学习算法纷繁复杂,不同算法在不同应用场景下表现各异。作为机器学习算法中的一种,卷积神经网络以其独特且有效的特征提取方式闻名,但在金融领域,特别是量化交易领域的应用研究甚少。如何将卷积神经网络应用到量化交易领域,且寻找其适用的场景成为本文研究的主要问题。本文首先结合机器学习和量化投资的发展历程提出研究问题,归纳研究意义,简述研究方法。接着,从机器学习、量化投资、机器学习与量化投资三个方面梳理发展历程,归纳并对比国内外研究状况,总结现有研究中的关键点与不足点。然后,对两个主要问题展开研究。本文研究的第一个问题是在明确结构设计的同时,卷积神经网络在“回归”与“分类”任务方面的表现。在该研究中,文章采用上证综指数据,通过将卷积神经网络与应用广泛的BP神经网络的回归结果对比,将卷积神经网络与支持向量机、随机森林的分类结果对比,分析将卷积神经网络应用在量化投资中的可行性。本文研究的第二个问题是基于卷积神经网络的行业分层选股策略。在该研究中,文章采用中国A股市场股票数据,经过数据预处理,首先根据行业月度收益率利用聚类分析按行业分层,构造不同机器学习方法应用场景。然后,利用IC分析法选择因子数据作为模型输入,将卷积神经网络、支持向量机和随机森林应用于选股策略,通过比较不同机器学习模型的表现效果,对卷积神经网络选股策略做出进一步改进,最终构造机器学习复合选股模型,分析将其应用在量化投资中的适用性。本文发现将卷积神经网络应用于股市预测,其在股价涨跌方面的预测能力强于其在预测具体股价方面。同时,本文通过聚类分析对A股市场按行业分层,发现在不同的量化应用场景,不同机器学习方法的预测表现优劣不同,并基于该现象构造了机器学习复合选股模型。