近几年来,深度学习应用于量化投资在学界和业界是十分重要的研究课题。深度学习具有超强的数据处理能力,能够从庞大的数据中挖掘出有价值的信息,将其与量化投资理论结合,能够帮助投资者从证券市场纷繁复杂的数据中提炼出有价值的信息。与此同时,本文选择深度神经网络结构中的深度信念网络对中证800股票进行量化投资研究,并构建相应的投资策略。本文首先对中证800的股票池进行相关研究,分析了中证800的股票特性以及A股市场有效性,然后构建选股模型方面,本文选取了 300种候选因子,以2017年初到2022年初中证800所有股票的日频数据为样本,进行数据预处理后,选取DBN、LSTM、DNN作为备选深度学习神经网络模型分别进行建模,从预测效果、训练速度等方面进行比较,发现上述三种神经网络结构在各方面都具有各自的特性。随后本文对九大类因子分别进行有效性及稳定性检验,从各大类因子中筛选出因子评分排名前5的因子总计45个因子构建因子库,然后再进行因子相关性分析进一步选出相关性较弱的9个因子,策略每个月都会进行以上因子检验步骤,以保证因子的有效性及提高建模的效率。在投资策略构建及回测方面,本文以深度学习选股模型为基础,结合A股市场交易规则,以不同的持股期限构建了六种中证800投资策略。回测结果发现,不同的神经网络结构搭建的策略基于不同的持股期限,年化收益率及最大回撤都各不相同,基于DBN算法持股5日的投资策略,总体收益率达到了49.78%,年化收益率达22.98%,最大回撤为16.22%;基于DNN最佳持股期限5日的投资策略,总体收益率达到了 65.35%,年化收益率达30.16%,最大回撤为24.66%;基于LSTM最佳持股期限30日的投资策略,总体收益率达到了37.07%,年化收益率达17.11%,最大回撤为15.56%。通过上述研究以及策略回测,本文得出以下结论:首先,利用深度学习对中证800所有股票进行量化投资是切实有效的,可以获得较为稳定的超额收益;其次,DBN算法相较于其他算法有着显著优势,在量化投资领域将会有更好的应用前景。