随着大数据、计算能力和人工智能技术的不断提升,如何利用机器学习数据中的信息成为人们关注的重点,深度学习也是在这样的情况下被应用到各个领域,量化投资领域也是被关注的重点领域之一,量化投资是指对金融定义的数值数据进行建模分析以预测金融产品的投资收益,研究深度学习在量化投资的应用一方面是对深度学习应用在量化投资的可能进行验证,另一方面是帮助投资者进行更有效地金融投资,在充分利用过去信息的情况下获取更高额的收益。目前在当前应用领域存在的问题有一、选取的特征不够多,预测容易出现过拟合的情况;二、模型设计不合理,未能充分发挥深度学习模型的效果;三、没有尝试不同的深度学习模型来对量化投资分析进行研究。本文主要研究深度学习模型在量化投资分析中的应用,通过深度学习中的卷积神经网络和长短期记忆网络来对股票数据进行预测,针对卷积神经网络模型,对数据进行处理,从大量特征因子中筛选出少量特征指标,并按时间维度构成单一样本进行训练,对股票涨跌情况进行分类和分析;针对长短期记忆网络模型,将数据处理成单一样本,对股票进行训练,对其涨跌情况进行分类预测,之后根据两种模型进行结合构造CNN+LSTM模型,对样本进行重新处理进行涨跌预测。最后再将两种基本模型和CNN+LSTM模型以及将XGBoost择时+LSTM选股模型应用于股票回测进行检验,检验其在实际市场上的应用情况,证实其有效性,且对四种模型的效果进行比较分析,通过对比分析,说明深度学习在股票市场应用的可能,且其具有的良好表现。本文的创新点在于:一、对深度学习应用于量化投资的有效性予以总结,并将模型优势予以利用,构建CNN+LSTM模型并取得最优的预测效果;二、选取大量的特征因子进行训练以尽可能的提取股票市场隐藏的潜在信息;三、在回测阶段,将择时与选股相结合构建XGBoost择时+LSTM选股模型,以期得到更好地投资组合,并取得更优的收益。