2010年4月,沪深300股指期货推出。沪深300股指期货允许投资者做空、频繁调仓,因而被广泛用于套期保值、套利和投机。近年来,金融创新推动着期货市场不断发展,其市场深度和流动性也逐步提升。同时,期货资产管理业务的推出促进了程序化交易的发展,大量交易者开始将高频交易策略应用到期货市场中。随着人工智能的不断发展以及个人、企业对金融数据的分析需求越来越大,深度学习技术已经被广泛应用于金融领域的前沿课题,尤其是在金融市场预测、文本信息处理、交易策略改进等方面。用于预测金融数据的传统线性时间序列模型已经逐渐被深度学习等非线性模型所替代。由于高频交易在期货市场上拥有足够的发展潜力,本文将用深度学习模型预测中国股指期货高频收益率,并将预测结果用于执行交易策略。本文研究内容主要分以下三个方面展开:一、深度学习模型结合小波降噪方法应用于高频数据的预测效果研究。虽然深度学习在金融领域的应用研究已经有丰富成果,但目前为止针对高频金融数据的深度学习应用研究还比较少。股指期货高频数据噪声多、波动大,其可预测性相对于低频数据来说更弱,所以本文引入了小波分析方法,对股指期货高频收益率数据进行小波降噪处理,充分提取序列特征后再进行预测,取得了良好的效果。二、深度学习的模型选取、组合以及网络结构设计研究。LSTM（长短期记忆）、GRU（循环门单元）等循环神经网络能够对长期存在的重要特征进行长久记忆,而且能够对短暂的无关信息冲击进行选择性遗忘,从而被广泛应用于金融时间序列数据预测中。本文以LSTM模型、GRU模型为基准,引入了双向LSTM模型、双向GRU模型,并将其与普通ANN模型进行组合、堆叠,增加网络的深度,逐层变换、提取数据抽象特征,提高模型非线性表达能力,增强模型预测能力。通过比较组合模型与单一模型,双向RNN模型与普通RNN模型,得出模型预测能力好坏的对比性结论。三、设计高频交易策略,考虑股指期货交易存在的手续费、滑点等交易成本,探究模型在投资实务中的应用能力。基于模型对收益率的预测,当预测值高于某一正阈值时进入多头,当预测值低于某一负阈值时进入空头。结果表明,预测准确率高的模型,其对应交易策略收益率、夏普比率也更高,而且获得了显著的超额收益和远高于市场的夏普比率。本文还比较了两种调仓频率不同的策略效果,发现改进策略能够有效避免过高的交易成本、充分捕捉盈利机会,将组合模型应用于改进策略时,在“牛市”、“熊市”中都能够获得超额收益。另外,本文分析了模型预测值范围、市场波动性对交易信号数量的影响,以及交易信号数量对策略效果的影响,提出了模型、策略的适用市场环境以及提升策略效果的方法。本文的创新点主要为:拓展了深度学习方法在金融领域特别是高频金融数据方面的应用研究,并且引入小波分析方法对数据进行降噪预处理,有效地提升了模型预测能力;对于深度学习模型的选择、组合和模型结构设计进行了深入对比分析,对高频金融时间序列数据建模有指导性的意义;根据模型预测结果设计交易策略,产生了显著、稳健的超额收益和高于市场的夏普比率,证明短期内股指期货市场存在套利机会,技术分析在一定程度上是有效的,为市场不完全有效的研究提供了新的证据和研究思路。