自2006年深度学习之父杰弗里.辛顿和他的学生鲁斯兰.萨拉赫丁诺夫正式提出了“深度学习”这一概念以来,深度神经网络(DNN)技术在全球范围内讯速发展传播。深度神经网络是深度学习的基础,它的本质是含有多个隐藏层的神经网络。深度神经网络是许多人工智能应用的基础,由于深度神经网络在数据分析、语音识别和图像识别上的突破性发展,使得深度神经网络的使用量有了爆发性的增长。深度神经网络通过对原始数据处理来获得具体特征,通过组合具体特征形成抽象特征,再由抽象特征组合形成更多的高层抽象特征来表示被学习目标的属性类别或者特征,最后在抽象特征上建立起分类器,获得模型的预测输出。这些深度神经网络模型被部署到了从自动驾驶汽车、癌症检测到复杂游戏等各种应用中。近年来,深度神经网络模型也被应用于金融市场,因此本文尝试使用深度神经网络模型来改良最小二乘法模型(OLS)对套期保值比的预测精度。回顾以往国内外学者对套期保值的研究,大多都是选择以股票指数作为现货,以相应的股指期货对现货进行套期保值,所得到的结论为:以股指期货对相应的股指进行套期保值会具有良好的套期保值效果。但是从实际情况上来看,由于股指并不是一个可供交易的指数,且由于大多个人投资者的资本较少也无法完全按照股指来构建股票篮子,所以以股指作为现货来进行套期保值对于大多数个人投资者是不切实际的。在本文中,笔者尝试使用基金重仓股中的食品饮料成分股为例,将其作为现货进行套期保值,通过深度神经网络模型对最小二乘法模型的预测结果进行改良,为投资者带来一种全新的预测套期保值比的模型。在实证研究中,本文使用六种不同参数的深度神经网络模型对由最小二乘法模型计算出的预测套期保值比与真实套期保值比的残差进行预测,其中预测套期保值比是由最小二乘法模型回归得出的结果,而真实套期保值比是由t个交易日的每日对数收益率数据计算的结果。获取套期保值比残差后,本文将残差样本划分为训练集和测试集。六个不同参数的深度神经网络模型经过无监督学习使得模型寻找样本规律,确定模型参数,进而以学习得到的模型对测试集样本进行预测,最后记录和整理这六个模型训练集和测试集拟合结果相对于最小二乘法模型的基于均方误差(MSE)指标的相对提升率水平以及这六个模型相互之间的基于MSE指标的相对提升率水平。实证结果表明深度神经网络模型的确可以提升最小二乘法模型对套期保值比的预测精度,且深度神经网络中的激活函数sigmoid函数在未来预测上优于ReLu函数;经过自编码器处理的深度神经网络模型比未经过自编码器处理的深度神经网络模型在预测能力上要更强。