截至2020年年底,我国A股市场上市公司已有4140家,总市值超86万亿元,而随着年底全民炒“基”浪潮的掀起,大量投资者被资本市场吸引,社交媒体的普及也使得一时间网络上的金融舆情数据暴涨。如何利用数据挖掘、自然语言处理、机器学习与深度学习等人工智能手段从网络媒体平台提取并分析有效信息,推导出有效因子与策略,成为近年来券商的热点研究话题。本文系统比较了国内外关于文本挖掘和深度强化学习的学术研究,并详细介绍了相关算法的理论基础。本文充分论证了以人工智能技术中的深度学习算法为预测模型,强化学习算法为决策模型,应用于投资领域的可行性。同时,针对国内文献中遗传规划优化不足、传统强化学习效率低下等问题作了必要的弥补与改进。首先,本文利用爬虫技术爬取股票相关微博,获取了股票评论文本数据,利用Snow NLP技术将所得股票评论信息量化为情感因子,并结合统计学,构建了6个基本因子。随后,通过遗传规划以互信息和超额收益作为评价标准,从这6个基本因子中挖掘出20个较高收益的舆情因子。接着,基于注意力机制的LSTM利用20个舆情因子特征来预测股票的涨跌,并买入上涨概率较大的股票、卖出上涨概率较小的股票来回测得到交易的收益率,通过比较收益率大小对不同机器学习算法选股方法进行评估,发现基于注意力机制的LSTM模型收益率最高,得到了最好的预测效果。其次,本文综合考虑了艾略特波浪理论和马尔科夫状态,针对原有算法的不足,提出优化的深度强化学习方法。对传统的波浪理论方法进行改进,先对K线数据进行包含关系处理,接着划分为顶分型和底分型,然后用高阶分型找出每个波段的高点和低点,以次高点和次低点的间隔为中枢,把股票的价格设计为中枢下、中枢内和中枢上三个区间,把三个区间用数字0,1,2表示,并且把三个区间设置为强化学习中马尔科夫链的状态,计算每一个状态的概率转移矩阵,基于注意力机制的LSTM利用20个舆情因子特征来预测股票的涨跌,当预测的股票上涨概率较大并且预测的马尔科夫状态为0时买入股票,预测的马尔科夫状态为1的时候锁仓不进行股票交易,预测的股票下跌概率较大并且预测的马尔科夫状态为2的时候清仓卖出股票。该方法借助于强化学习策略梯度方式,将有用的特征作为基础,并对神经网络中的参数进行遍历,基于深度学习的预测能力,与强化学习的决策能力完美融合。当面对大量历史数据时,基于深度强化学习的金融量化交易模型,可确保智能交易算法在股票的实时交易中进行数据挖掘。同时,使投资者准确把握交易点,完成正确的投资判断,减少整个投资过程中面临的风险。最后,本文为解决传统量化交易软件的不足,结合遗传规划挖掘的舆情特征和基于注意力机制的LSTM以及波浪理论优化的深度强化学习股票投资方法,创新性地开发设计了一个可进行深度强化学习的量化交易系统。该交易系统通过智能决策来买卖股票,具有很强的应用价值。系列实验表明,本文设计的模型在舆情分析与投资决策分析两方面均取得了很好的效果,也验证了提出模型的有效性和本文观点的正确性。以深度强化学习技术为基础,同时和惯用的金融量化交易分析的方法相结合,有利于两者的优势充分发挥,进一步促进人工智能、深度学习算法与经济学、管理学的交叉融合研究,为响应并推进国家人工智能战略的实践提供参考。