近几年来,深度学习发展迅速,并逐渐步入大家的视线中,作为代表有AlphaGo等人工智能系统。同时,随着外国的量化投资行业发展势头迅猛并且已经有了完整的体系,而国内的量化投资行业的发展速度却缓慢了不少。若从其本质和特点来说,所谓量化投资就是通过对建模对金融产品进行预测和分析,通常关注点为价格和走向,这与深度学习的目的殊途同归,因此我们可以将量化投资和深度学习相结合,发挥两者共同的优势,将深度学习融入量化投资,不仅可以得到新的建模思路和研究方法,还可以帮助投资者降低收益的风险波动、提高资产收益,克服投资者的非理性部分。本文构建的量化投资策略采用了人工智能中的深度学习的方法,该方法在金融数学中越来越被广泛使用。同时,本文所使用的深度学习模型为卷积神经网络,这是一类具有深度结构的前馈神经网络,具有卷积计算能力和表征学习能力,可以按其阶层结构对输入数据进行分类,并保持平移不变性。本论文研究数据为2008年1月1日至2016年12月31日的上证综指指数,首先本文为了满足一维卷积神经网络的数据要求,将一维时间序列转变为二维矩阵数据;其次,由于数据的有限性,本文对数据进行了窗口滚动处理,从而得到了五个相匹配的训练集和测试集,更好的用于建模;然后,为了证明该模型的有效性,将卷积神经网络模型预测结果与SVM支持向量机、逻辑回归与LSTM神经网络的预测结果进行对比,最后构建基于前文已经训练好的卷积神经网络,构建基于上证综指的量化投资策略,并和一次性定投策略进行对比与评价。通过对比卷积神经网络与SVM支持向量机、逻辑回归与LSTM神经网络的模型准确度,可以看到卷积神经网络的预测效果要优于其他3个模型,此外,为了评价本基于卷积神经网络构建的上证综指量化投资策略,本文选取2017年至2018年的时间段进行回测,并在获得了 124.32%的总收益,年化收益高达24.32%,夏普比率为2.80,最大回撤为-3.30%,可以看到其表现优于作为对比的一次性定投策略。综上所述,本文设计的卷积神经网络量化模型是一个有效的量化投资模型。本文的创新点有以下几点:第一,国内关于深度学习在量化投资领域应用的研究并不多见,利用卷积神经网络对股市升降的预测更是寥寥无几,因此本文是对这一领域的探索与创新。第二,本文提出了一种新的预测特征的构建,首先,本论文将技术指标相结合,加入了了已实现偏度作为参数,这是其他研究所未使用过的;其次,本文在传统的卷积神经网络中加入了 LSTM循环神经层,充分的发挥了两种深度学习模型的优势;最后,本文舍弃了其他研究构建卷积网络的方法（即将股市数据转变为K线图或者其他三维图像作为输入）,而使用一维卷积神经网络,并且使用的数据也不是三维图像,而是8*5的数据阵。当然,本论文也存在着一些不足。一是模型参数问题。本论文并没有探讨诸如卷积核数量、卷积核大小、全连接层神经元数量等超参数对模型预测的结果,因为各种超参数之间可能会互相影响,从而影响到模型的精度;二是样本数量的问题。由于股市的特殊性,日均数据的大小也受到了一定的限制;三是策略选择的问题。本文的量化策略不够完善,对照组也相对简单,还有着很大的改善空间。