自中国股票市场成立以来,股票交易成为国内投资者的主要投资方式之一,但是国内股票市场发展时间较短且尚不成熟,投资者很难在长期中保持盈利。近年来深度学习模型发展迅速,在图像识别、语音识别等领域取得了较好的应用效果,可以有效拟合现实生活中的非线性关系,并通过大量数据充分挖掘潜在信息,本文主要将改进的卷积神经网络应用于股票价格预测并探索基于该模型构建量化投资策略的可行性。在模型研究阶段,首先,本文将适用于图像识别的卷积神经网络改进为IVGG模型,使其能够应用于时间序列数据的训练和预测,选取沪深300指数成分股中的15只蓝筹股票在2003年至2017年间每日收盘价数据,将2003年至2012年的482个样本划为训练集,2013年至2017年的219个样本划为测试集,使用120个交易日的收盘价作为输入数据预测将来一个月的15只股票收益率,通过比较ANN、DNN、LSTM、IVGG模型对股票收益率预测的MSE,发现IVGG模型对测试集的预测结果最好,LSTM模型次之。其次,以IVGG模型作为研究对象,输入数据在收盘价的基础上加入了来自股票市场、债券市场和大宗商品市场的15个增强因素,研究发现相较于仅使用收盘价作为IVGG模型的输入,加入增强因素能够显著提升IVGG模型的预测能力,MSE改进13.11%。最后,不同于传统计量经济学中的研究方法,本文根据芝加哥大学学者Shihao Gu研究机器学习在测量资产风险溢价时使用的设置变量法,将其应用于改进的卷积神经网络模型并以此研究了每个增强因素对股票价格的影响程度。此外,为了验证IVGG模型的稳健性,本文将全部样本按照一定的依据划分成牛市样本和熊市样本,分析了在不同波动情况下IVGG模型的预测能力,结果发现IVGG模型在牛市和熊市中的表现均优于其他模型,并分析了牛市和熊市中增强因素对股票价格的影响。在模型研究之后,利用加入增强因素后最优的IVGG-Plus模型构建量化投资策略,根据IVGG-Plus模型的预测结果将15只股票按照收益率大小分为5组,在月初买入收益率最大的一组并在月末卖出,其2013年至2017年的回测结果实现了33.66%的年化收益率、37%的最大回撤以及1.16的夏普比率,均优于历史法的回测结果和沪深300指数。然后在原始策略的基础上考虑了两种做空方法,策略一实现29.79%的年化收益率、13%的最大回撤以及1.35的夏普比率,策略二实现48.13%的年化收益率、19%的最大回撤以及1.67的夏普比率。两种做空方法都能够有效降低最大回撤并提高夏普比率,保证了盈利的稳定性,说明基于改进的卷积神经网络构建量化投资策略具有可行性。本文使用的IVGG模型是在图像识别中的VGG-16网络的基础上进行了改进,与传统的机器学习和计量方法相比具有明显优势,能够利用深度学习同时处理15只股票信息并预测价格,而且避免了传统股价预测方法中约束假设、信息不足等问题。使用设置变量法来研究增强因素对股票价格的影响程度,能够有效捕捉金融数据间的非线性关系。此外基于深度卷积网络预测模型的量化投资策略能够获得较高的超额收益和较低的回撤,说明将卷积神经网络应用到量化投资具有一定可行性,同时也为我国股票市场并非完全有效提供了新的证据。