随着消费升级、投资理财需求的不断增长,我国投资者的投资观念在逐步发生转变,单一资产已经难以满足其投资需求,于是资产管理受到了越来越多的关注。如何有效分散金融风险,推动资本市场的持续健康发展是金融改革的核心任务之一。这促使资本市场要发挥好金融资源合理配置以及资金融通的作用,也使得投资组合有效管理在金融市场的重要性日益凸显。金融市场是一个复杂的动态系统,受到经济环境、投资者心理、政策等多方面的影响,表现出非线性、不平稳性、复杂性的特点。投资组合管理是一个复杂的非结构化决策过程,涉及到金融预测、投资决策分析、组合优化及资产交易等一系列过程。此外,随着近几年金融大数据的发展,海量的数据对计算技术、分析能力和数据存储都提出了更高的要求,这无疑增加了投资组合相关研究的难度。传统的统计学分析方法往往基于有大量约束的条件进行建模,而早期的机器学习方法的表现在一定程度上取决于人工对变量和网络的设置,可能会影响模型的最终结果,于是在分析高维、动态且有噪音的金融市场数据序列方面,这两类方法均存在一定的局限性。近年来,基于深度学习和强化学习系列的人工智能方法的出现为以上问题提供了新的解决方案和研究思路。深度学习能够对高维金融数据的复杂结果进行有效识别,从低层次的特征中提取出抽象且更高层次的特征。强化学习具有自主学习、在线学习和持续决策的能力,能够从大数据中自主挖掘隐藏在背后的规律,在求解复杂的金融决策优化方面具有较大优势。鉴于此,本研究将深度学习和强化学习等人工智能系列技术应用于投资组合的资产预选择、动态优化及交易过程中,并基于中英两个国家的股票市场数据进行深入的实证分析对比,从而提出了适合于个人投资者的智能投资组合管理方法和动态交易模型。具体而言,本研究的主要内容包括以下四个部分。第一,基于深度学习的资产预选择。这部分主要是利用深度学习和机器学习模型在金融时间序列数据预测方面的优势,对资产的未来潜在收益进行预测,并对不同预测模型最终的预测效果进行了对比,最后选择了预测性能较好的模型的预测结果作为资产初步筛选的主要依据。研究发现,在金融时间序列预测方面,无论是基于中国还是英国股票市场数据,深度学习中的长短时记忆网络模型都以非常明显的优势超越了其他早期机器学习模型和统计学模型。第二,基于深度强化学习的投资组合优化。这部分首先基于上一章筛选的资产来初步构建投资组合并确定了投资组合的最优规模。接着,利用深度强化学习中的深度确定性策略梯度算法自主学习、持续决策的优势,根据资产的基本信息变化来对投资组合进行初步优化,以实现投资组合最佳的风险收益比。研究发现,在投资组合的形成和优化过程中,使用机器学习进行资产预选择是非常必要的,同时金融时间序列数据的长期信息对投资组合的管理过程也十分重要,它能够帮助投资者更好地了解不同金融资产的长期变化规律,从而为投资组合的构建与优化奠定重要的基础。第三,考虑外部市场环境变化的投资组合优化。这一部分是对上一部分的扩展。依据外部市场环境的动态信息对深度确定性策略梯度方法进行了改进,改进后的方法能够依据不同的市场环境状态来适应性地调整学习策略和参数更新规则,从而对投资组合的资产配置进行动态调整和优化。研究发现,在投资组合的动态优化过程中,外部市场环境变化信息非常重要。不同的市场环境状态,不仅会影响投资组合中的资产价格和投资回报,还会影响投资者的投资行为。由此建议投资者不仅要关注所持资产本身的动态信息也要多加关注金融市场形势的变动。第四,融入投资风险偏好与止损机制的投资组合动态交易模型。主要研究了基于深度强化学习和循环强化学习的一系列投资组合动态交易模型。我们在交易的过程中考虑了三种包含不同风险约束条件的目标函数来满足不同投资者的投资偏好,在每次交易之后加入了动态止损机制,以控制交易过程中的风险。所选出的不同目标函数条件下的最优交易模型可以根据当前市场状态和资产信息自动转换投资组合交易模式,以应对不同的市场风格变化,通过投资组合内部资产与外部资产池动态交易的形式,来实时调整投资组合资产构成及资产配置。研究发现,当以夏普比率或收益率为目标函数时,基于深度强化学习方法的交易模型更适合解决投资组合的动态交易问题;而当以卡玛比率为目标函数时,基于循环强化学习方法的交易模型更适合解决投资组合的动态交易问题。本研究提出了适合于个人投资者的智能投资组合管理方法和交易模型,从而丰富并完善了现代投资组合理论与金融实证研究,为人工智能技术在经济管理领域的研究提供了参考。在投资组合的优化与动态交易过程中,本研究先后考虑了金融时间序列数据的长期依赖性、外部市场环境状态、投资者投资风险偏好及动态止损机制,对投资组合优化模型和金融交易模型进行了改进与扩展,为现代投资组合管理提供了新的思路。