中国股票市场近年来迅速发展,股票市场作为股权的流通市场,能促使中国的整个金融体系更加稳定,同时股价也反映了对应上市公司的经营情况,但实际中股市容易受到诸多因素影响。与此同时近年来量化交易也在逐渐盛行,因此探索如何利用股票市场的数据来对股票价格进行预测有重大意义,若能通过建立适当的模型取得较好的股价预测结果,则能为量化交易策略提供良好基础。本文的研究样本为2017-2021年的沪深300所有成分股的日数据,为了更加完整地涵盖各种影响股价的因素,本文选择了四个维度（行情因素指标、关联市场因素、国内市场因素与技术指标）的38个影响因子,先后通过IC值与相关系数检验筛选出18个有效输入指标。在数据处理上,对收盘价数据选用Db8函数进行小波降噪处理,以及对所有数据进行异常值、缺失值、归一化预处理,将这些数据用来对沪深300成分股的收盘价进行预测,横向比较显示相比较于LSTM模型,ATT-LSTM模型泛化能力更强,对股价的拟合优度R~2更高,MSE、RMSE、MAE误差更小。由于考虑到实际股票交易过程中的股市整体走势会对短期交易产生较大的影响,受到动量效应的启发,本文创建了均线距离指标（35）DM A,并通过分析其在上期与本期的正负值与变化趋势来确定开仓买入的标的数量。在量化策略构建过程中,首先利用ATT-LSTM模型对沪深300所有成分股次日收盘价进行预测,并计算收盘价对数收益率,将收益率排名靠前的标的作为股票池的待选标的,结合均线距离指标（35）DM A确定每期买入股票数量,每三天强制换仓。在2020年6月28日至2021年10月30日期间策略回测的结果为年化收益率24.44%,高于沪深300基准年化收益率19.76%。同时交易的65%个交易日都处于盈利状态,夏普比率达1.24,波动率为0.176%,因此可以得知策略能够有效抵御市场风险,收益情况较好。因此,本文结合深度学习模型构建的股票量化交易策略能获得较好的收益,能给予各类投资者一定借鉴价值。