量化投资是以数理方法对金融市场进行分析与建模的一类投资策略。机器学习则要求计算机程序通过在数据集上的学习提升其在处理特定任务时的性能。二者都需要从数据中提取信息,故随着近年来机器学习的成功,业界与学术界都对量化投资与机器学习方法的结合产生了浓厚的研究兴趣。本文首先结合相关技术背景对机器学习方法应用在量化投资领域中的优劣势进行了综合分析,并在分析的基础上使用深度学习方法构造收益率预测型网络。本文使用了分路与合并结构、以长短期记忆网络(LSTM)网络为核心构建深度模型,采用了多种损失函数进行训练并实现了模型的自动滚动更新。本文使用我国A股市场2010年至2018年的历史数据用于模型构建与回测分析,其中回测期为2014年4月至2018年11月,模型的输入因子为基于价格与交易量的Alpha191因子。本文的模型在回测期内获得了265.7%的累计收益与32%的年化收益,大幅领先于同期基准指数沪深300的43%的累计收益与8.1%的年化收益。本文完成了基于深度学习的、较为完整的“数据处理-模型构建-预测值生成-交易策略-回测分析”研究框架,并讨论了分路与合并结构下的模型结构设置、基于输出值与监督值相关性的模型选择准则、独立于回测与交易策略的模型评估的方法等一系列重要问题。本文着重地在损失函数的应用上进行了创新性的探索,提出了基于投资组合观点的多个损失函数,其中负余弦损失函数在稳定性与收益获得方面展现出了显著的优势与较强的实用性。相应的实证研究还揭示了其他损失函数的应用价值与局限。本文是当前量化投资与机器学习方法的融合研究、实用化大潮下的产物,课题本身即为业界关注热点,研究有强烈的实用导向与较强的实用参考价值。