自上世纪五十年代Markowitz提出“均值-方差”理论后,投资组合收益与风险的研究进入量化模式。其后诸多学者开始将数理统计的相关理论和工具,运用于金融投资理论的研究。然而,随着变量维度加大、求解目标函数越发复杂、约束条件越发多样化等原因,投资组合优化问题的求解难度也在逐步加深。复杂模型的准确、快速求解对投资组合理论的发展具有重要意义。由于仿生智能算法具有运算速度快、对数理推导要求较低等特点,近年来成为学者们解决复杂函数的优化求解问题的重要工具。人工蜂群算法作为一种新的仿生智能算法,其具有收敛速度快、求解精度高且不易陷入局部最优等特点,在诸多领域得以应用。随着投资理论的不断发展,投资组合优化问题越来越复杂,对算法性能的要求也在逐步提高。因此,本文对人工蜂群算法在投资组合优化问题的框架下进行研究和改进,是有必要且有意义的。本文主要工作如下:(1)本文结合前人研究成果,在“均值-方差”理论模型的范式下,使用资产收益的标准差作为风险的度量。同时,本文考虑资产收益分布的偏态特征,将皮尔逊偏态系数引入模型,代替标准化的三阶中心矩,作为对资产收益偏度的衡量,构建了“均值-标准差-皮尔逊偏度系数”的投资组合优化模型。(2)本文对人工蜂群算法的基本原理及其发展进行了深入研究,并对人工蜂群算法进行改进,提出了一种带有加速异步渐变因子的人工蜂群算法(AAGF-ABC)。经测试,本文改进后的人工蜂群算法在收敛速度和求解精度上,均有较大的提升。(3)本文选取了深证100指数的8支成分股和2支公司债券构建一组投资组合。将标准人工蜂群算法、H-ABCAS算法以及本文改进后的人工蜂群算法(AAGF-ABC)在本文构建的投资组合优化模型求解的实证研究中进行对比实验,分析比较了三种算法在投资组合优化问题求解环境下的性能。实验结果表明,在三种不同风险偏好的投资者角色的条件下,本文改进后的人工蜂群算法(AAGF-ABC)给出的投资策略,均优于其他两种算法。