股票市场的预测是深度学习领域中最具挑战的应用之一,股市的数据复杂多变,具有很强的波动及数据集的庞大等特性。现有的研究方向大多为有监督的方式,如传统的机器学习法,将需要训练的数据通过标记为股票市场的正面或者负面的时刻,但是用这种方法训练出的机器学习分类器可能会出现过拟合等现象,所得到的预测效果并不尽人意。考虑到影响股票预测的因素众多,且在股票市场交易中会产生大量交易数据,同时交易模型有自身局限性,如果选取的特征不够具有代表性,考虑的因素不够全面,便难以捕捉到价格走势背后的规律。本文立足于现有的量化交易预测方法和模型,利用深度学习的优点结合强化学习的长处,构造出深度强化学习量化交易模型,不使用数据标注（即股票价格的上涨或下跌）来学习,而是学习如何在训练阶段实现最大化回报,实现股票交易的利润最大化。在量化交易的环境中,假设交易历史会重演,如何通过观测学习从历史数据中发现可能存在的规律,这也是股票市场预测的出发点。在寻找能够进一步提高股票利润的模型中,使用深度强化学习模型（Deep Reinforcement Learning）结合相关方法来进行股票交易的分析与研究。本文的主要研究分为以下几个部分展开:（1）特征工程的研究。特征值的研究作为本文重点研究内容之一,如何选取合适的股票数据特征也是量化交易模型的重点研究对象。分析现有研究对于股票数据特征的选取和处理方法的不足,研究数据为上证综指和深证综指,接着进行数据清洗和规范化处理,使用股票基础数据结合技术指标因子作为输入特征组。（2）数据的去噪处理。阅读文献总结出现有研究对于股票数据处理方面的不足,对股票数据使用改进的数据处理方法,并对选取的特征指标进行降噪处理,让智能体能够准确地捕捉到数据背后的波动规律。（3）智能体（Agent）的定义研究。使用优化的深度神经网络作为智能体,改进强化学习中的对于智能体、动作、状态、奖励、环境的定义,其中研究对象为上证综指和深证综指,实验对比LSTM-DQN和FC-DQN两种深度强化学习模型,前者表现出较好的效果。（4）并行模块特征提取算法模型的研究。特征的选取将直接影响强化学习模型的收益率,既要考虑股票数据长期的历史数据,又要考虑当前的价格变化,本文使用一种优化的并行模块深度强化学习模型。其用两种不同的神经网络,分别提取长期和短期的特征,再拼接成一种新的特征输入到智能体中,经上证、深证综指数据实验对比,累计收益率比LSTM-DQN模型高10%以上。