近年来,监督学习和强化学习先后应用到股票量化投资的研究上,使用这类深度学习技术实现海量数据分析,使得量化投资从单纯的CTA/alpha等策略逐渐过渡到人工智能实现的交易策略。人工智能应用于量化投资取得成绩的同时也存在诸多问题,主要体现在:1.过多地将关注点放在了模型结构和算法层面,投资行为因素分析不够;2.过度依赖于网络的特征提取能力,缺少对市场规律先验知识的应用;3.大多数策略模型缺少针对交易行为的风险控制,单纯的买卖操作容易导致严重风险。针对目前存在的这些问题,本文从金融投资策略形成的思维逻辑出发,采用多源驱动的方法进行分析,将股指买卖操作这一大任务分解为相互关联、依次递进的分层策略问题。依次由趋势预判、特征选取、操作决策三个层面入手,对每部分进行深入研究,根据三个层面各自的任务搭建组成模块,并逐个进行思想策划、数据算法和操作流程等方面的分析与设计,最终搭建了深度分层策略下的多源驱动量化投资模型。其中指数趋势预判模块基于WGAN(Wasserstein Generative Adversarial Networks)原理和价格时序分布特性,构建了具有回归约束的RC(Regression constraint)-WGAN网络进行涨跌趋势预测;多源特征提取模块依据时间序列、技术面指标、行为学等金融相关理论,提出了一个基于先验知识的多源特征组合用以描述股票市场;仓位调整决策模块基于强化学习的深度确定性策略梯度DDPG(Deep Deterministic Policy Gradient)算法,设计了风险控制网络,执行具体交易持仓策略。测试时,先使用道琼斯工业指数和上海证券交易所指数作为数据源进行了虚拟盘训练和测试,并分别对各个模块和模型整体进行了有效性和可行性的验证。再作为交易人,使用国泰君安账户,参考自己所建模模型得出的辅助策略进行了为期一年的股票实盘试验,对模型在实际场景中的应用情况进行评估。模拟盘和实盘实验结果表明,本文方法在投资回报率和稳健性方面表现良好,能够为投资者提供有价值的参考。