本发明涉及一种基于Wasserstein距离的生成对抗网络(WGAN)和深度强化学习相结合的交易预测模型。该方法主要技术包括：获取金融数据、技术指标因子计算、使用快速傅里叶变换去除噪声、特征构建；根据历史数据和技术指标因子对训练WGAN模型,以得到预测样本和优势特征组合；构建深度强化学习模型；依据WGAN预测样本定义状态空间；设置离散型动作空间；调整每次交易的比例大小以控制交易风险；设定奖励函数,使用收益作为每一步的奖励,并对最终奖励归一化；在深度强化学习算法的损失函数上增加每一步预测值和真实值的均方误差,加快模型收敛。最终将其应到实际金融市场进行回测,验证其有效性。