随着计算机技术的飞速发展，量化投资自上世纪七十年代末诞生以来便获得了前所未有的高速发展，被包括高盛、花旗等众多投资机构广泛采用，目前已经成为西方金融市场交易中最重要的投资方式。虽然与国外高度发达的量化投资市场相比，国内的量化交易目前还处于初级阶段，但是随着前几年股指期货的推出，国内量化投资出现了快速发展的势头。未来随着金融改革的加快，资产证券化衍生产品等新金融交易工具的推出，中国的量化投资发展空间巨大，波士顿咨询机构Aite Group LLC预测未来10年中国的量化投资占比将提高到20％以上。
　　由于证券市场走势的影响因素十分广泛，不仅和一个国家的金融市场状况、经济情况、经济政策相关，还和其他国家的经济金融情况和经济政策有关。因此在量化投资领域中，量化择时预测难度最大，被称为证券投资的金字塔塔尖区域。量化择时的基本思想来源于技术分析，一般通过选取某些技术指标进行量化建模，从而对未来的证券市场走势进行预测。但是，证券市场是一个非常复杂的动态市场，对其进行择时预测往往面临着数据维度多，噪音大的困境。传统的量化择时模型一般选用的是支持向量机和人工神经网络，这些方法有以下两个弊端。首先，从本质上看，这些模型属于只含有一层隐含层节点的“浅层学习”模型，对复杂函数的表示能力有限，往往容易陷入“维数灾难”，产生过拟合现象。其次，需要手工选取特征变量，如果选取的特征不恰当或者充满噪音，将会影响模型的预测能力，并且手工选取特征费时费力。
　　深度学习通过组合一种具有多层的深度网络结构，实现输入特征信息的逐层抽取，并将其表征为新的特征，形成更加抽象的高层特征，从而形成一种分布式的特征表示，不仅可以克服“维数灾难”问题，避免“过拟合”现象的产生，还可以减少手工选择特征的巨大工作量，自动剔除特征的噪音。
　　目前，深度学习在金融尤其是量化投资领域内的应用，国外还处于起步阶段，国内是一片空白。因此，将深度学习应用于量化择时策略的研究有助于弥补该领域内国内研究的空白，具有十分重要的理论和现实意义。
　　关于量化择时策略的研究，国内还比较少。绝大多数国内学者的研究思路基本都是停留在建立择时模型，然后对模型的预测正确率进行比较，忽视了基于该模型设计的投资交易策略的研究，对模型能否带来较高收益并且风险可控方面几乎没有涉及。从实践中看，正确率高的模型其投资收益并不一定高，并且其风险也不一定低，因为一次较大的预测错误就可能导致投资者巨大的亏损，从而将之前众多微小的收益抵消。因此，本文认为不仅要从预测正确率方面对模型进行评估，而且还必须对基于该模型设计的交易策略进行收益与评估，从而得出更加科学全面的结论。
　　因此，本文不仅将深度学习率先引入量化投资领域，并且还拓展了国内学者的研究思路，这也是本文的两个重要创新点。具体而言，本文首先建立了基于深度学习的栈式去噪自编码算法的量化择时模型，并基于该模型设计了交易策略，然后在历史数据上进行仿真交易模拟，最后从预测效果（包括正确率、准确率、查全率等）和投资业绩（包括收益和风险）两个评估维度与传统的人工神经网络和支持向量机进行对比分析。最后结果显示，基于深度学习的量化择时模型表现优于人工神经网络和支持向量机，由此论证了深度学习在高维噪音数据下量化择时方面应用的可行性。