随着我国经济的快速发展,金融市场不断成熟、完善,股市已经在我国金融市场中拥有了举足轻重的地位。股市不仅是企业筹集资金的场所,也成为了广大普通投资者理财投资的重要渠道。对于投资者而言,股票与其他种类的投资相比,其投资门槛低,获利空间大,从而吸引了大量的中小投资者加入其中。但是影响市场走势的因素众多,市场具有强烈的波动性,如何建立一种切实可行的选股、交易策略来降低投资风险,从中获得稳定的收益,是摆在众多投资者和学者面前的一道难题。进入21世纪后,计算机的硬件设备的快速升级,智能手机的广泛使用,为深度学习研究提供强大的算力和数据支撑,使得深度学习再度火热。各个科研领域都将深度学习技术用作工具,将其用于金融市场、股票分析的研究也越来越多,其中多是针对一维特征的时间序列数据的研究。本文探索性地提出一种新的思路,面向股票因子的时空特征,将股票的一维序列数据转换为股票因子图像序列数据,构建了一种基于二维卷积长短时记忆神经网络（Conv LSTM）和LSTM的算法交易模型。股票具有许多指标因子,某些指标在空间上具有一定的联系,传递了市场的某种信号,反映了股价变化趋势,如金叉、死叉等,这是本文研究出发点。本文使用卷积长短时记忆网络融合长短时记忆网络的复合模型代替传统LSTM进行股票预测研究,捕捉股票因子图像序列在市场变动中的变化规律,挖掘其时空特征。本文主要工作及创新如下:本文将股票交易操作看作为一个图像序列分类问题,将交易行为作为标签,模型将预测最佳的操作,如买入、卖出、持有。本文利用若干个不同的技术指标,每个指标都分别以6-27天作为时间计算区间计算因子值,再使用特征选择算法从计算出的因子中选择225个特征,构建15×15大小的二维单通道特征图谱。以不同计算标的（收盘价、开盘价）计算所得的特征图作为不同的通道,将每一天的股票数据转换为一张二维三通道的图像,再将连续t天的图像组成一条图像序列。本文构建了一个基于Conv LSTM与LSTM的复合模型,将股票因子图像序列输入训练。仿真实验结果表明,本文模型的预测准确率高于LSTM模型,本文开发的量化择时交易策略在17-20年的沪深300指数上获得了16.7%的年化收益率,总超额收益率达到26.34%,并且在10只沪深300成分股股票上获得了平均22.00%的年化收益率,远超于基准收益和LSTM模型策略、均线策略,同时投资风险也处于最低的水平。同时开发的量化选股策略也在2015-2020年回测区间内获得了12.22%-15.48%的年化收益,并且经历股灾时期最大回撤率仅为8.60%-10%。本文设计开发的算法交易模型能获取超额收益,并且能帮助投资者降低投资风险,有一定的实用价值。