人工智能这个名词越来越被公众所熟知,机器学习、深度学习、神经网络等成为各个行业的热词,随着科技的发展,计算机算力的提升,现在人工智能可以解决越来越多的复杂问题,包括人脸识别、语音识别、语义分析等等。而股票价格受诸多因素的影响,所以股价走势复杂且难以预测。为了精准预测股价的走势,并针对其构建合理的投资策略,本文主要引入循环神经网络(RNN)、长短期记忆(LSTM)、门控循环单元(GRU)这类机器学习模型对股票市场的因子进行学习训练,旨在刻画股票市场收益率走势,寻找最优投资组合,并与传统线性回归模型进行对比,研究是否神经网络在股票市场上也能有良好的表现。本文选取了财务、技术面、动量、市场情绪等诸多方面因子,力求完整的刻画股票市场环境,以此来训练模型对股票走势进行更准确地刻画,模型以多因子指标进行训练,用‘涨’与‘跌’作为标签,以此来对股票涨跌进行预测,从而构建合理的股票持仓。这是典型的二分类问题,也是机器学习比较擅长解决的问题。本文选择2007至2017年的数据,并对回测区间进行划分,确定训练集、验证集、测试集后对模型进行构建,并对模型参数进行不断优化,寻找训练效果最好的参数组合,通过模型选取市场表现更优的股票组合。对训练后的模型结果分中证500行业中性、沪深300行业中性、非行业中性进行回测,并调整各行业持仓数进行再次回测,寻找在不同情况下的最优市场组合,分别计算投资组合的超额收益、最大回撤、信息比率、Calmar比率,对比不同模型在不同情况下的表现,分析成因以及模型的改进方向,提高神经网络的泛化能力,总结神经网络对股票组合构建的优势,以及未来提升的空间,为投资与相关研究方向的人员的提供新的思路,本文结果表明循环神经网络模型对现实市场有一定的应用价值。