金融是中国市场经济的主要构成部分,它在经济生活中发挥着不可或缺的作用。随着经济的快速增长,量化投资市场达到前所未有的兴盛,为投资者带来了机遇,但也带来了风险和挑战,非线性且复杂的金融数据令传统的投资模型难以满足人们的要求。因此,基于深度学习发展起来的量化投资模型逐渐兴起,量化择时作为量化投资的主要组成部分之一,正逐步成为市场投资的常用方式。在深度学习算法中,生成对抗网络的产生引起广泛关注。其基于对抗的原理,进行了合理的数学逻辑理论推导,可以解决其它神经网络算法较难解决的问题。本文改进生成对抗网络解决了模式崩溃的问题,并将其用于2002年1月至2019年3月沪深300指数进行量化择时研究,进而得出相应量化择时策略。主要工作如下:(1)依据量化择时的理论基础,对沪深300指数进行预处理,将预处理后的数据进行单位根检验为量化择时提供前提条件。利用原始数据计算相关技术指标,将其作为待选特征,使用catboost算法结合SHAP值进行特征选择,得到特征重要性度量结果。经过实验验证该模型比随机森林选择出的特征应用于本文算法误差值更低、可信度更高。(2)利用动态贝叶斯对生成对抗网络生成器和判别器的参数分别进行优化,避免其陷入局部最优,进而解决了它容易模式崩溃的问题。然后根据catboost选择的特征利用该模型对选取数据进行实证检验。经过实验验证该模型比LSTM和WGAN模型预测效果更好。(3)将本文构建模型应用于量化择时领域中,根据本文模型预测的次日收盘价进行决策,若预测值大于(小于)前一日收盘价,当次日的价格低于(高于)前一天的收盘价时买入(卖出);如果预测值没有变化,则不进行操作。实验结果表明,本文模型能够整体把握大盘上涨下跌的趋势,从而获得超额收益。