随着全球证券市场地发展，借助现代的科技手段，交易方式也在演变，原来由交易员场内撮合或者通过场外电子化交易平台手动下单的方式不能快速捕捉交易机会，因此程序化交易应运而生。在我国程序化交易起步较晚，门槛较高，但是越来越多有条件的投资者开始借助计算机程序在分析和交易上的便利性在市场中获得优势，券商纷纷成立量化自营投资部门进行程序化交易，各种基金推出各种不同策略的和风格的基于程序化交易的理财产品。　　程序化交易这种方式具有多种优势，使用计算机程序进行数据分析和下单交易可以克服多种人性的缺点，比如交易员在交易的时候容易受到主观情绪的影响，总是趋向于相信自己愿意相信的结论，典型的就是所谓的“乐观倾向”，在市场走向明显偏离判断的时候不能及时止损，把希望寄托于市场的回稳，但这往往是交易员一厢情愿的想法，巴菲特有句名言：“永远不要试图打败市场，市场是不可战胜的”。程序化交易还有一个明显的优势就是交易指令能够快速下达，市场在波动的过程中总是存在着这样那样的套利机会，套利机会稍纵即逝，为了博取微薄的套利利润，现代交易者在快速发出交易指令上可谓是无所不用其极，极端的例子是有的对冲基金为了在跨市场套利上取得交易优势甚至自己搭建洲际通信专线，而不是走通常的因特网。　　随着在交易速度上的精进，在提高交易速度上已经不能有所发展，搭设专线的成本有可能还会超过套利的利润，所以渐渐的这条路走不通了，更多的交易者把注意力放到如何构建更先进更有效的交易算法上，从传统的技术分析到数理统计方法再到近年来火热的机器学习技术不一而足。　　自上世纪80年代以来随着摩尔定律持续，计算机的计算和存储越来越强，价格越来越便宜，再加上互联网浪潮下，大数据机器学习技术的风靡，许多机器学习算法被用来做金融时序序列预测，因为从机器学习算法的角度价格的涨或者跌可以很自然的看成一个二分类问题，看早期一些其他机器学习相关的论文如决策树、朴素贝叶斯、SVM等，会发现不少是做股票预测的，然而效果并不好，究其原因主要有两点，一是基于统计规律机器学习算法有效的前提是不同类的样本具有相同的统计学规律，然而金融时序数据的随机性强，噪声大，这个前提并不成立，并且传统的机器学习模型在特征选取上依赖人的经验，如果不能在特征选取上有所创新的话，模型效果也是强差人意。针对以上两点问题本文提出一种基于深度学习的程序化交易模型，深度学习网络能够对特征进行自主学习，减少对依靠经验来选取特征的依赖，并且深度学习网络通过调整网络层的节点数能够对输入数据进行升维和降维，在低维（高维）空间不能呈现的统计特性映射到高维（低维）空间后说不定会有比较明显的分布特征。　　Hinton等人于2006年在前人工作的基础上构建了一种含有多个隐含层的深度神经网络，这就是所谓深度学习的概念。深度学习技术在特征的学习上更为优异，多个隐藏层使得原始数据具备更抽象的特征表达，通过逐层的学习优化整个模型的准确性也得到提升。　　本文旨在研究深度学习技术在我国特殊的市场环境下进行数据分析的能力。在我国由于股指期货交易时T+0方式，且交易量较大具备很好的流动性且交易成本较低适合作为算法交易的研究对象，故本文利用深度学习神经网络来构建股指期货交易模型以研究此技术在程序化交易中效果。本文从交易策略出发，针对特定的交易策略设计相应的深度学习模型，通过两组对照实验，分别在不同的训练集上训练模型，然后在相同的测试集上测试不同模型的性能，对比分析两组深度学习模型的性能，得出结论：在同等测试集下，更多的数据量能给模型带来更优异的表现。本文通过使用大量的数据训练深度学习模型，在股指期货仿真交易上取得了较好的效果。交易系统可以大致分为三个模块：数据准备模块、模型训练模块、运行时交易模块。