证券市场交易具有高风险高收益的特征,吸引着大量投资者关注。传统投资主要以人的意志思想为主,受到人脑的信息处理能力,以及人的情绪、知识、认知等多方面因素的制约,在进行投资过程中往往表现得盲目或者过激。量化投资交易策略以数据为基础,结合数学、概率论等多学科的科学知识,加以有证的金融学知识辅助,制定高效的投资策略,利用计算机的高效、高纪律性等特点进行投资,能够很好的解决有人性带来的各种不足。传统意义上的量化投资交易策略结合证券数据进行分析,这种方案更加趋向于使用计算机进行技术面分析。证券市场具有显著的动荡特点,传统算法往往无法很好地应对价格趋势地变化,泛化能力较弱。因此本文使用人工智能的方式,对量化投资交易进行了研究。首先,使用基于图形识别地CNN模型,对股票市场数据进行训练,预测未来走势。使用训练模型给出的预测结果结合逻辑回归的策略模型,针对2016年至2019年沪深300的部分数据进行了回测。回测结果表明,基于图形识别的量化交易策略模型,能够在一定程度上对未来一段时间的走势进行预测,择时结果在大概率上也能够带来超出平均的收益。CNN图形识别模型越策走势的准确率约为75%,结合逻辑回归模型预测买卖点,准确率约为80%。同时,由于单纯的图形识别算法无法准确确定买点、卖点,平均均差天数较高,因此提出了一种基于图形识别结果的Adaboost算法模型,找出更加准确的买点、买点,给出具体的量化交易策略。在处理过程中,由于不同股票价格差距较大,为了保证数据统一,因此使用了z-score算法对数据进行归一化处理。使用Adaboost算法模型优化后,平均均差天数降低至5日左右。研究表明基于K线图形深度学习的多因子Adaboost股票买卖点择时算法是有一定实用价值。