投资组合优化研究的是如何通过对资本的合理配置,实现收益最大化或风险最小化。现有的多期投资组合模型大多利用概率论或机器学习的方法来描述投资收益的不确定性。通过预测证券的未来收益分布,并建立相应的投资组合模型,从而决定投资策略。然而,现有预测方法在预测准确率方面仍存在一定的提升空间。此外,如何实现数据驱动的滚动预测,如何针对预测结果开展多期投资组合优化,如何设计更有效的求解算法,这些都有待作进一步研究。基于上述背景,本文对数据驱动的证券收益率预测及多期投资组合问题展开研究,从而为投资者提供更为有效的资金分配方案。首先,采用迭代自组织数据分析算法改进经典的长短期记忆神经网络,实现投资收益的滚动预测,定期更新预测结果。其次,构建基于均值-条件风险价值的多期投资组合模型,并对条件风险价值的计算方法进行深入研究。最后,基于花朵授粉原理改进了粒子群算法,并对模型进行求解,得到最优投资策略。为验证本文所提方法有效性,采用一系列基于真实数据的仿真实验对预测方法的预测精度、求解算法的有效性等展开分析和比较。其中,基于聚类算法的改进长短期记忆神经网络模型比经典模型预测结果的误差更小,拟合优度更大,整体准确性更高;基于数据驱动的滚动预测机制比以往的静态模型鲁棒性更强,预测时效性更长;基于花朵授粉的改进粒子群算法也比传统的求解算法精度更高,效果更优,可以在同等风险条件下,获得更高的收益回报。