多因子选股是目前量化投资领域中最具代表性的策略模型,在国内外投资领域被广泛使用。多因子选股的核心是挖掘因子,任何与股票收益高度相关并且能够为预测股票收益带来帮助的量化指标都可以被称作因子。传统的因子挖掘大多集中在对于基本面数据的研究,此类因子通常有明确的经济含义,且预测周期较长,不过收益空间有限。近几年,以股票的价格、成交量、换手率等交易数据进行组合构建的短周期技术面因子开始受到量化研究者的关注。技术面因子的特点是逻辑性较低,但是对股票收益,特别是收益短期变动的预测能力较强。研究如何构建技术面因子是目前量化投资领域的一大研究热点。通常的因子挖掘往往依赖研究员对于宏观经济数据、公司基本面信息的理解,而针对技术面因子则需要依靠复杂的算法,选择合适的算法是挖掘技术面因子的关键。深度学习作为目前人工智能领域最火热的算法,对大数据有着极强的信息提炼能力。因此,研究深度学习模型是否可以用于技术面因子的挖掘,并且基于挖掘出的因子构建稳定盈利的交易策略是本文的研究重点。为了构建能够挖掘技术面因子的深度学习模型,本文融合了两大深度学习算法:门控循环神经网络和图卷积神经网络,并且基于注意力机制构建了门控图卷积模型。不同于一般的股票预测模型直接输出股票数据的预测值,门控图卷积模型的独特之处在于模型的主要作用是对股票的原始特征进行特征工程,最终输出可以对接多因子选股模型的技术面因子。本文以2017年1月1日至2021年12月31日的所有交易日作为总采样区间,并将区间分为模型训练区间、因子检验区间和策略回测区间。股票池选择全部A股中的经过筛选的1813只股票。使用训练好的门控图卷积模型可以生成每只股票的100个技术面因子（称其为alpha因子）,然后在多因子选股理论的框架下对这些因子进行因子检验和筛选,最终使用筛选出21个alpha因子构建选股策略。策略自2021年1月至2021年12月,在排除了所有交易成本后,以上证指数作为基准,实现了策略收益30.00%,策略年化收益30.99,超额收益24.05%,最大回撤12.86%,信息比率1.089。除此此外,本文还通过收益归因分析和引入其他表现优秀的技术面因子进行策略对比,证明了本文所使用的因子构建方法的可行性和优越性。