针对金融市场时间序列数据的预测问题,本文提出了时间卷积网络模型对A股市场的股票价格走势进行涨跌分类预测。按照有效市场假说的内容,金融市场内的各种信息会在股票的价格变化中充分反映,股票的价格具有被预测的可能性。由于股票市场的预测存在多尺度、非平稳、多噪音等问题,在本文之前的诸多研究已针对这些挑战展开了不同角度的探索,对于股票价格预测的建模方法也分别采用了计量经济学统计模型、机器学习模型等一系列建模方法,这些方法展现出了对股票价格进行预测的可能性,但是这类模型的预测效果并不理想。本文所采用的时间卷积网络模型结合了卷积运算提取输入数据特征的优势,同时网络具备将前一状态的信息传递到后一状态的记忆能力,能够适应时间序列数据的拟合问题。在实验设计上,本文的数据集选取了A股市场中64只股票在2010年到2020年期间共计2600余个交易日的交易数据,将每个交易日的K线数据作为模型的输入参数,将每个交易日的涨跌情况转化为布尔值作为模型的类别标签,让时间卷积网络模型通过20个交易日的输入数据预测下一个交易日的涨跌情况。为了说明时间卷积网络模型在股票价格涨跌预测任务中的预测效果,本文选取了循环神经网络模型作为对照模型,同时构建了基于模型预测结果的仅有买入（Long only）的量化交易策略,通过交易策略的收益率评价时间卷积网络模型的表现。实证结果表明,时间卷积网络模型在股票价格涨跌预测的准确率上明显高于循环神经网络模型,基于时间卷积网络模型预测结果的量化择时策略比基于循环神经网络模型的量化择时策略达到了更高的收益率。本文的研究表明,时间卷积网络模型能够有效拟合金融时间序列数据,能够有效对股票价格的涨跌情况进行分类预测,同时根据模型的预测结果构建量化交易策略具备可行性。