随着金融衍生品市场的快速壮大,加之新兴的互联网金融,引发了人们投资理财的热潮。个人和企业对合理的财富分配理论有着迫切的需求。这正是投资组合理论的核心内容,其研究的主要问题就是,投资者如何将现有的财富在可投资的风险资产中合理分配,以实现诸如既定风险下收益最大化或者累积收益率最大化等投资目标。目前,在金融学界,投资组合理论主要有两个大方向,一个是基于Markowitz的均值方差理论,另一个是基于Kelly资本增长理论。Markowitz的均值方差模型虽然开创了量化投资的先河,并且表现优异在实际中也被广泛使用,但是依然存在着一些缺陷:交互性差,无法进行连续的投资决策;风险度量不科学,方差对待正偏离和负偏离一视同仁;微权重过多,导致可操作性下降和交易成本上升。针对现有的这些问题,本文提出了一种多阶段的权重分离性约束下的Mean-CVaR模型。首先,通过移动历史数据窗口的方式实现了多阶段连续投资,克服了交互性差的问题。然后,选择了具有非对称性的条件在险价值CVaR作为风险度量,只将低于均值的负偏离部分视作风险。同时,在二次规划优化模型中加入权重分离性约束,用线性混合规划的方法,解决了微权重过多的问题。最后,选取上证50指数的股票进行仿真实验,证明了权重分离性约束下的Mean-CVaR模型的有效性。随着人工智能的快速发展,Kelly资本增长理论与在线学习算法的结合,催生了在线投资组合的研究。与Markowitz的投资组合理论相比,在线投资组合理论更加符合实际投资过程中多阶段、多交互以及动态调整的特征,受到投资者和学者们的青睐。目前学术界已经有一系列在线投资组合策略,其中发展迅速的一个研究方向就是基于反转策略和被动主动算法的在线投资组合策略。该类策略主要有两部分构成,相对价格的估计和投资组合的优化。本文提出的基于自适应的动态指数平滑法的在线投资组合(OLES),给不同的股票赋予不同的平滑系数,并通过梯度下降法动态调整,实现了更准确的相对价格预测。通过多个实际数据集的仿真实验,多个金融指标的对比,表明了OLES的有效性。