证券市场在整个金融市场中有着举足轻重的地位,如何在证券市场交易中获取丰厚的收益是金融投资一直在探讨的话题。期货交易作为证券市场的主要交易形式之一,是以类似石油这种大众产品或者类似债券的金融资产等为标的标准化可交易合约。随着期货数据的不断增长,人工分析越来越困难。由于人工智能技术飞速发展,因此将机器学习技术应用到期货交易成为国内外学者关注的重点之一。首先,本文提出了积分LSTM算法,并使用此算法构建了期货价格预测模型。传统的LSTM算法的输入数据是单个时间点的期货价格数据,因此隐藏层状态值中传递的也只是单个时间点的价格信息,而积分能反映某段时间内变量的变化总量,为了让LSTM算法的隐藏层状态值中能够传递更多的价格信息,本文用LSTM模型短期记忆的隐藏层状态值的积分值来代替之前的隐藏层状态值,使隐藏层状态值中传递某个时间域的期货价格涨幅信息,从而提高积分LSTM算法预测期货价格的精度,并通过实验证明了积分LSTM算法相较于原始的LSTM算法,其在期货价格预测精度上优于后者。其次,本文将深度学习中的积分LSTM网络和强化学习中的Q-learning算法组合成深度Q-Learning算法,并使用此算法构建一个自动期货交易模型。该模型使用积分LSTM网络作为交易代理,该代理接受期货历史交易信息,分析交易信息后生成一个交易动作,模型交易动作皆模拟现实期货投资者的交易行为,共有卖出、买入和持有,执行交易动作后会产生相应的收益,收益值作为模型的奖励值更新模型的网络参数。最后使用测试数据测试了模型交易能力,实验证明了使用深度Q-Learning算法进行自动期货交易可以获得不错的收益。总而言之,本文将深度学习的预测能力和强化学习的决策能力相结合并应用到期货交易市场,对构建自动化投资模型、提高期货交易的效率以及人工智能技术在金融领域的应用,都进行了实践。