随着中国经济实力的逐步提升,市场经济体制日益完善,股票市场的价格变化对我国具有越来越重要的影响。因此,对股价的涨跌进行精准预测有着重要的研究意义,有助于促进投资者理性投资,合理配置资源;促进股票价格合理波动,发挥晴雨表功能。但股票价格受到诸多因素的影响,价格数据展现出非平稳、非线性、高噪声等特征,如何合理运用这些特征找到合适方法进行预测是一个值得不断探索研究的问题。本文基于多种深度学习模型,构建了一个混合深度学习模型,以上证指数和上证50的个股数据为研究对象,对其股价变动趋势进行精准预测,并构建量化交易策略。具体而言,本文先采用Lightgbm模型对特征进行筛选,剔除冗余特征,减少过拟合,提高模型泛化能力;其次采用奇异谱分析将收盘价数据分解为长期趋势和噪声趋势,在基本保留原序列信息的情况下,达到降噪的效果;然后对子序列分别预测,采用时间卷积神经网络（TCN）模型预测长期趋势,采用基于Attention机制的门控循环单元（GRU）模型预测噪声趋势,再汇总子序列结果得出最终预测结果;最后构造择时量化交易策略,评估模型和策略的有效性、稳定性和收益性。为了验证本文构造的混合模型的有效性,本文选取了时间序列模型ARIMA模型,支持向量回归（SVR）模型,循环神经网络（RNN）模型,长短期记忆网络（LSTM）模型,基于Attention机制的长短期记忆网络（LSTM）模型,门控循环单元（GRU）模型,基于Attention机制的门控循环单元（GRU）模型,时间卷积神经网络（TCN）模型进行了对比,实验结果显示本文所构造的混合深度学习模型在稳定性、准确性上均具有优异表现,同时在择时策略的应用上取得了高额的收益。为解决股价预测问题提供了新思路和新方法,对提高交易决策的效率具有较高的实际意义和研究价值。