国债期货自上市以来逐步发挥其价格发现与风险规避的功能,对于我国利率市场化改革以及完善我国国债收益率曲线发挥了重要作用。而国债期货的高频量化交易可以增强国债期货的流动性,丰富投资者的资产配置,促使国债期货更好地发挥核心功能。但是近些年来众多学者对高频数据的研究发现,日内高频数据包含更多的市场微观结构以及投资者的行为信息,这使得通过历史信息对金融时间序列进行预测具有理论依据。但由于高频数据包含众多信息的同时具有非平稳、非正态、噪声多等特点,使得传统金融计量方法在针对高频数据的预测上能力有限。而在信号学中常用的小波分析理论可以有效地对高频数据进行平滑处理,同时深度学习模型可以通过其自适应性和自学习性有效地从大量数据中提取出有效信息并进行预测。因此本文选择使用小波分析与多种深度学习模型相结合的方法对我国国债期货的日内价格预测进行研究,并对其量化交易提供新的实践思路。本文的研究主要分为三个方面:首先,在研究对象方面,本文选取我国流动性较好的10年期国债期货连续主力合约的5分钟高频数据。通过对原始数据的描述性分析发现,国债期货的高频数据具有典型的尖峰厚尾、波动率聚集以及日内效应现象。本文通过引入小波分析的方法,对国债期货的原始数据进行了三层分解,通过去除最后一层分解的高频信号后对数据进行重构还原,发现重构后的数据有效剔除了国债期货高频数据中的噪声。其次,本文设计了一个三层的ANN模型与LSTM、GRU、双向LSTM、双向GRU模型以及他们与ANN模型的组合模型共九种模型对处理后的国债期货高频数据进行了预测,结果发现通过增加神经网络的复杂度可以有效地提高预测能力,其中在样本外表现最好的模型是双向GRU-ANN模型,在测试集上的NMSE可达0.3159。最后,本文针对我国国债期货市场特点设计了一个具有多空头交易机制的策略,利用上一步训练出的多种模型对样本外的国债期货市场进行了回测并比较各模型在策略中的表现。本文通过对交易信号、模型预测值的描述性统计分析以及策略的收益情况等指标进行对比,发现预测准确度高的模型触发的交易信号更多,预测值更接近真实收益率水平,在策略中也拥有更好地收益。本文的主要创新点为:一、研究对象的创新。本文将多种深度学习模型应用于我国国债期货产品的日内价格预测,拓展了深度学习模型在金融资产价格预测方面的研究。二、研究内容的创新。本文通过深度学习模型进行预测并模拟国债期货交易的特点针对性设计了相关量化策略,拓展了国债期货产品在量化交易方面的研究。三、研究方法的创新。本文针对高频数据噪声多、难预测等特点,采用小波分析与多种神经网络模型结合的方法,拓展了金融时间序列高频数据方面的研究。