近年来,随着人工智能技术的飞速发展和我国金融市场的不断完善,越来越多的人开始研究如何运用计算机科学的技术处理金融问题。股票作为金融市场的重要组成部分,一直以来备受重视。同时作为普通民众常用的理财方式之一,其重要性不言而喻。本课题研究的主要内容就是如何将深度学习运用于股票智能投资。本课题介绍了股票数据集的构建,实现了基于Scrapy框架的股票数据获取系统,探讨了如何验证数据的正确性和对数据的预处理。结合了选股模型中的量化因子,对股票历史数据和上市公司的财务数据进行分析,挖掘出蕴藏在海量数据中的有效信息。在股票数据集的基础之上,本文主要研究内容包括以下两个方面:基于Attention-LSTM的股票趋势预测模型。文中分析了股票数据存在的时序关系,探讨了时间序列数据存在的长依赖问题。对比了传统的递归神经网络和长短期记忆网络(LSTM),详细分析了长短期记忆网络是如何解决时间序列数据中的长依赖问题。同时,分析了长短期记忆网络中编译器解码器结构存在的不足,并探讨Attention机制的原理,论证了长短期记忆网络加入Attention机制的可行性。课题中,设计并实现了两层Attention机制,解决序列数据过长时模型性能下降的问题。最后,将Attention-LSTM模型和其他模型进行对比,验证了模型的有效性。基于深度强化学习的股票交易模型。模型主要通过训练深度Q网络(DQN)对股票投资策略进行学习,达到自动操作股票的目的。文中详细介绍了一系列DQN模型,分析了经验池回放原理和Q网络的训练过程。同时分析了DQN网络中Q值估计过高的问题,认为运用双层网络结构对参数更新能够降低Q值估计过高的风险。在模型中,引入了Dueling机制将策略网络和动作网络分离开。在数据处理层面上,模型使用融合了CNN和LSTM的混合网络分析时间序列数据,更有效地挖掘了隐藏在数据中的非线性关系。最后,通过分析一系列技术指标,并与其他模型进行对比,验证了深度强化学习用于股票策略研究的可行性。