随着互联网和智能科技的发展，金融行业正在进入一个快速发展的新时代。 近年来，量化投资的相关研究持续火热，并成为市场投资的新方式。量化投资是 相对于主观投资而言的，其投资过程往往由具有数据处理和分析能力的程序或 者机器执行。在欧美，量化投资发展成熟，已有庞大的市场规模和机构数量。国 内起步较晚，但发展迅猛，相关资产已突破万亿关口。近年来，以机器学习模型 为基础的量化投资策略在国内迅速发展。深度学习作为机器学习的重要分支，在 图像理解和自然语言处理等多个任务中取得不错的成绩。在金融领域，深度学习 算法处在快速发展的阶段，并已经应用于欺诈检测、市场监管等多个方面。

在真实的交易市场中，金融数据往往含有巨大的噪声，并且具有非平稳性和 非线性的特点。传统的计量经济学方程在分析复杂的金融市场数据时表现不佳， 一些反映市场变动情况的指标，也会出现延迟大，准确度低的问题。基于深度学 习的模型成功地避免了上述缺点，深度学习在特征筛选和信息挖掘方面具有独 特的优势，有可能获得更准确的结果。本文中，我们基于深度学习理论提出了两 种创新型算法模型，股票趋势预测是现代量化投资系统中的难点和重要任务之 一，所以我们以模型在该任务上的表现作为评价标准，具体工作内容如下：

1. 融合因子特征的时空图神经网络模型。考虑到当前的研究工作大多基于 原始特征，缺乏对专家知识的充分使用，而且针对关系型数据的挖掘较为简单， 因此我们提出了融合因子特征的建模方法。利用因子数据，将专家知识融入股票 特征之中，丰富信息源。同时为了弥补当前关系型数据的不足，该模型设计了因 子生成图模块和异质图神经网络模块，借此挖掘股票间的潜在关系，同时最大程 度上提取多种关系的有效信息。为了有效地完成时间域、空间域和知识域的融 合，我们利用时空图神经网络的模型架构，先用时序模块挖掘因子特征和原始特 征的时序信息，然后将输出作为空间模块的输入，两部分信息融合完成最终的预 测。在真实股市数据集上的实验证明，该模型具有较好的性能。

2. 融合多粒度数据的对比预训练模型。考虑到现有工作大多依赖日频数据 特征，缺乏对高频数据的使用。高频数据往往含有更加丰富的语义信息，但因其 信噪比低且有效地完成多粒度数据融合较难，所以很少有相关的深度学习算法。 因此我们提出了一个对比预训练模型，对比学习的优势在于它可以利用数据之 间的依赖关系来构造训练目标，捕捉数据特征的本质，并最有效地挖掘信息。该 模型基于数据粒度、股票关系和趋势变化三个方面构建了对比损失函数，以预训 练的方式完成多粒度数据的特征嵌入。预训练之后，将训练好的特征输入到注意 力模块完成多粒度数据融合，利用收益率损失函数监督完成最后的微调。在真实 股市数据集上的回测实验表明，该模型较于基准模型可以获得更高的收益。