近年来,计算机大数据、人工智能技术发展迅猛,得益于计算机技术的突破,量化投资也进入了一个爆发时代。量化投资的本质是通过将各类经济指标量化,建立数学模型,找到能够实现稳定收益的投资策略,其中的一种有效的方法就是多因子选股策略。本文尝试使用深度神经网络的方法发掘有效因子和收益率之间的非线性关系,基于神经网络自学习的特性,可以在反复训练中优化各个因子的权重,最后求得模型损失函数的最优解,使神经网络的分析模型具有更高的准确性,从而得到一个可以分析判断股票收益率的模型,实现通过神经网络选股模型实现超额收益。本文试图聚焦于2010年至2018年的中国A股交易市场信息、上市公司财务信息、上市公司财务指标等众多因子中验证出最有效的因子,然后利用TensorFlow框架建立多因子的神经网络模型,将个股的有效因子作为输入层,个股的盈利率作为输出层,中间建立合适的隐藏层数和合适的神经元个数。反复测试并调整模型参数,调整参数包括隐藏层数,隐藏神经元个数、学习速率等,最后建立一套基于深度神经网络的多因子股票选择模型。通过本文的实验验证,最终找到了一系列用于构建多因子神经网络选股模型的参数,并对数据进行了预测,结论证明通过神经网络模型建立的模型不仅在历史数据的回测中能够获得很高的超额收益,并且在预测未来数据的表现里,也具有很好的选股能力。