近几十年来,金融量化得以产生并进而快速成熟。对于金融机构例如基金来说,投资机构越来越不满足被动构建投资组合收益市场平均收益的局面,对于主动量化策略投资组合的重视性日渐加深,这就需要引入主动型股票投资基金管理模式。目前在我国的股票基金投资市场,有非常多的主动型量化投资策略,使用的算法千差万别,如SVM、随机森林、RNN循环记忆网络等等。本文着眼于这个趋势,使用金融股票投资领域使用方兴未艾的LSTM-GRU门控制长短期记忆网络模型为基础构建一套主动投资型股票策略,并将其与已经在股票量化投资领域广泛使用的SVM、RNN等模型对比,从理论上来说,相较于SVM单纯依靠核函数来高阶映射进而分类数据,RNN、LSTM-GRU等神经网络算法原理更为优良,更适合处理金融股票数据,之后通过多重对比,最后发现LSTM-GRU门控制长短期记忆网络具有较好的准确率,通过选择LSTM-GRU算法构建基于沪深300指数成分股的交易策略,进行参数调校与神经层的连接调整,最终在长期时间内取得了显著跑赢基准指数沪深300的成绩。本文结论即研究成果可以为金融机构构建主动型股票投资组合提供一定的量化策略参考。