本发明公开了一种基于多尺度金融时间序列处理的深度强化学习交易方法，属于金融数据处理与量化金融领域。因为单一尺度金融时间序列的复杂与高度不平稳，会造成信息缺失,本发明在多尺度金融时间序列上使用缠论的方法进行k线数据去包含处理，然后抽取去包含数据中蕴含的底部分型和顶部分型，进而构造笔作为特征，减少序列噪声，提取了金融时间序列的长期有效信息作为多尺度的特征矩阵，并把该多尺度特征矩阵作为强化学习的环境状态，利用强化学习的深度确定性策略梯度算法(DDPG)搜索最优交易策略。该多尺度分笔深度确定性策略梯度强化学习模型能够超过市场表现，具有一定的实用价值和研究意义。