随着经济全球化和金融一体化进程的不断加快,不同国家、资本市场之间关联性的不断增强逐步加剧了资本风险传染的溢出效应。在投资环境日趋多样化与复杂化的当下,受各国财政与货币政策环境影响,与2008年经济危机和2015年沪深两市股灾类似的黑天鹅事件层出不穷,全球投资者更是面临市场周期的加速转换与随之而来的投资风格漂移挑战。迄今为止,不论是单一市场的股票投资还是跨行业的资产配置,乃至跨区域、跨国的混合投资,均需要投资者考虑财富分配过程中标的资产收益率存在的波动风险,并依此得以在纷繁复杂的市场竞争中有效地获取超额收益。投资实践的迫切需求促使投资者对于资产管理过程中相关风险的控制方法进行了更深入的思考和探讨,也催生了对于投资组合优化理论的不断探索与深入研究。通过采取量化而非主观的收益与风险测度准则,以均值-方差模型为代表的传统投资组合优化理论一经问世便得到了学术界与业界的广泛关注。然而,传统投资组合优化模型因未考虑现实金融市场中存在的资产收益率不确定性波动,会导致存在对于输入数据敏感、缺乏风险分散以及远不如预期的样本外表现等问题,由此进一步阻碍了相关模型的实际应用。针对传统投资组合优化模型存在的缺陷,鲁棒投资组合优化模型通过设定不确定性集合使得相关参数可以在合理、直观的范围内变动,并通过求解参数变动范围内最坏情形下的最优解在一定程度上解决了上述问题。作为一种更加稳健的资产配置方法,鲁棒投资组合优化已经成为了量化金融研究领域的一个核心问题。鲁棒性的引入尽管提升了投资组合抵抗未知风险的能力,但也会导致模型假定较为苛刻以至偏离金融现实背景、难以与其它模型高效融合以及不可避免的保守性等问题。具体地,绝大多数鲁棒投资组合优化模型基于正态分布假定来设定不确定性集合,因此与现实中资产收益率具有的偏态、厚尾分布特征不符,并且无法兼容更加灵活的资产配置框架,例如模糊决策方法及其引入的影响资产收益率的重要因素:投资者情绪。针对传统投资组合优化模型和鲁棒投资组合优化模型的特征与缺陷,本文以改进鲁棒投资组合优化模型为研究主线,以现实金融市场中基金、券商常用的因子模型为切入点,以层层递进地放宽鲁棒优化方法与因子模型的相关假定为方向,在构建更加合理、实用、灵活的鲁棒资产配置管理模型过程中,分别考虑了贝叶斯因子投资组合优化问题、高维资产收益率因子模型的时变相依性问题、鲁棒投资组合优化模型与模糊投资组合优化模型的融合问题以及如何利用非凸优化方法来测度投资者情绪因子并开展相关鲁棒化投资应用的问题。针对研究的所有鲁棒投资组合优化模型,本文还基于两阶段优化方法特别考虑了如何针对模型具体特性克服其性能保守化的问题。本文主要包括七章内容。第一章引言详细阐述了本文的研究背景、研究意义、研究方法、研究内容以及本文的主要学术创新点。第二章是文献综述,梳理并归纳了有关传统投资组合优化理论、鲁棒投资组合优化理论、资产相依结构理论以及模糊优化理论的历史与最新文献。第三章为两阶段鲁棒因子投资组合优化模型,通过设定线性型、椭圆型不确定性集合来针对传统投资组合优化模型进行鲁棒因子化改造,然后将岭回归与收缩估计的概念相结合并引入鲁棒因子投资组合优化模型。进一步地,将收缩强度设定为二次优化参数来扩展鲁棒优化模型所考虑的最坏情景数量,从而借助两阶段优化方法利用收缩强度参数对最优权重的扰动作用解决了鲁棒因子模型的保守性问题。第四章为两阶段贝叶斯鲁棒因子投资组合优化模型,在第三章研究的基础上将鲁棒因子投资组合优化模型与贝叶斯模型相结合,使用矩阵值正态逆-Wishart先验分布作为投资者信息并结合市场信息来获得矩阵型共轭后验分布,随后利用抽样方法与迭代算法来估计模型的先验分布参数,在推导贝叶斯鲁棒因子模型相关参数显式解基础上,引入可变收益约束条件与可变投资者置信程度并将相关变动范围设置为二次优化参数来解决贝叶斯鲁棒因子模型的保守性问题。本文第五章为基于时变因子copula模型的两阶段鲁棒逆优化投资组合模型,在第四章研究内容的基础上放宽因子分布假定使其成为具有厚尾、偏态分布特征的时变因子copula模型,针对原贝叶斯鲁棒因子模型的不兼容问题引入基于凸优化方法的鲁棒逆优化模型,使得模型仍可同时体现资者信息与市场信息。进一步地通过将投资者观点（信息）矩阵设定为具有风险分散特征的经典投资组合优化模型权重,且通过将投资者观点矩阵的置信程度设置为两阶段的优化参数,解决了鲁棒逆优化模型的保守性问题。第六章为基于模糊情绪因子的两阶段鲁棒CVa R投资组合优化模型。首先进一步放宽资产收益率分布假设,使之符合无分布的模糊情绪因子模型,在引入投资者情绪的基础上构造基于逆优化方法的遗传算法求解相关参数以测度均衡市场的整体情绪与投资者针对单一资产的异质性情绪。进一步地依据行为金融学框架设定投资者情绪调整矩阵与影响函数,并将投资者情绪影响函数的相关系数设定为两阶段优化参数以引入鲁棒CVa R投资组合优化模型中,从而解决了基于投资者情绪的鲁棒优化框架的保守性问题。第七章是本文的结论部分,归纳了全文的研究成果,依据实证研究结果总结了本文的结论、给出了相关的投资建议、指出了本文的研究局限并对未来可行的研究方向进行了展望。在第三到第六章中,本文除建立了四种两阶段鲁棒投资组合优化模型外还分别进行了详细的实证分析来检验模型性能,主要结论如下:（1）在资产配置实践中考虑参数不确定性的影响十分必要,但仅直接使用经典的鲁棒投资组合优化模型往往无法获取有效的风险-收益权衡。在传统投资组合优化模型的基础上,通过设定不确定性集合而进行的鲁棒化改进可以有效地提升模型的风险控制能力与样本外表现,但经典的鲁棒投资组合优化模型过多地考虑了对于风险的控制与补偿,从而无法一直有效地捕获投资机会。在特定的数据集与样本周期内,简单的鲁棒化改造会造成模型样本外性能出现下降的情况,因此本文不建议投资者直接应用经典的鲁棒投资组合优化模型来配置其资产。（2）鲁棒投资组合优化模型在发达国家与新兴国家的股票市场中具有不同的适应程度和表现情况,投资者应分别选择合适的资产配置方案。发达国家股票市场的波动性较小,鲁棒投资组合可以在各经济周期中获取稳健的收益;新兴国家股票市场波动性较大,在经济下行周期中鲁棒投资组合可以有效地控制风险,但保守性致使其无法在经济上行或繁荣周期有效获取显著的超额收益。因此,鲁棒投资组合对于投资风险的控制能力是有限的,投资者必须对其做进一步改进以提升风险-收益权衡。（3）资产收益率的分布假定对于鲁棒投资组合优化结果具有决定性的影响,投资者的相关建模过程需要在贴合金融现实、防止过拟合与计算速度快捷三个方面做到权衡。具体地,对于资产收益率分布,若假定过于细致（例如分配具体的、具有较多参数的分布形式）则模型的泛化能力较弱,无法取得最优的样本外性能;反之,若仅对市场关键特征进行提取或赋予模型更大的灵活性（例如引入投资者情绪指标）则有助于模型有效地提升样本外收益情况。（4）两阶段优化方法对于改善鲁棒投资组合优化模型的样本外表现具有重要的价值。通过扩展鲁棒优化方法所能考虑的最坏情景的数量,在考虑对投资风险与收益进行二次权衡的基础上构建的两阶段鲁棒投资组合优化模型可以有效地解决其保守性问题。本文基于不同国家股票收益率数据的实证研究表明,两阶段优化方法可以在控制风险的情况下,有效地提升鲁棒投资组合的样本外收益情况。对于计划采用鲁棒投资组合配置其资产的投资者,本文建议针对所使用模型的具体特征选择适当的参数进行动态化改造,以适应性地改进模型性能。（5）本文提出的多种两阶段鲁棒投资组合优化模型可以切实有效地解决诸的多实际资产配置问题。实证研究结果表明本文提出的模型在样本外均值、标准差、夏普值与最大回撤等绩效指标上均具有相对传统投资组合优化模型、鲁棒投资组合优化模型的显著优势。在长达十五年的中美两国股票日度收益率数据样本期内,本文提出的模型在高维资产配置问题上有效地经受了经济危机时期、经济复苏时期等不同阶段的检验,并取得了良好的风险-收益权衡。基于本文的建模过程,主要理论贡献如下:（1）针对传统投资组合优化模型,特别是几乎无鲁棒化改造的Kelly模型,本文基于鲁棒因子优化方法与贝叶斯鲁棒因子优化方法对其进行改进,解决了其对于输入数据敏感的缺陷并显著地提升了其中短期应用中的样本外性能;对于鲁棒CVa R投资组合优化模型,本文对其进行了基于投资者情绪相关指标的改造,进一步优化了其风险-收益权衡并显著提升了该模型的应用灵活性。（2）针对鲁棒因子投资组合优化模型,本文将收缩估计方法和岭回归方法相结合并融入其中,不仅兼顾了模型的方差与偏差,而且解决了鲁棒优化方法无法与其它模型高效融合的问题。不同于以往收缩估计方法直接将模型最优权重收缩向一个指定的目标权重的设定,本文使用的两阶段优化方法不仅使得收缩强度成为客观最优化指标进而避免了人为干扰,还利用收缩强度参数对最优权重的扰动作用解决了鲁棒因子投资组合优化模型的保守性问题。（3）针对贝叶斯鲁棒因子投资组合优化模型,本文提出将抽样方法与迭代算法相结合来估计其先验分布参数,使得先验信息更具客观性与实用性;本文引入可变收益约束条件与可变投资者置信程度并将相关变动范围设置为二次优化参数,进而针对性地解决了贝叶斯鲁棒因子方法的保守性问题。通过引入贝叶斯鲁棒优化方法的扩展模型:鲁棒逆优化模型,本文解决了时变因子copula模型不能与鲁棒投资组合优化模型相兼容的问题,并且通过投资者观点矩阵的设定与主成分分析方法,在模型中同时体现了投资者的观点与市场动态。（4）针对一致性梯形模糊数模型无法刻画投资者对于市场整体和对于单一资产的态度问题,本文提出了模糊情绪因子模型来解决。针对传统模糊数模型无法准确测度投资者情绪指标的问题,本文提出了基于逆优化方法的遗传算法来解决,进而构建了一般性算法框架并可以适用于各类三角模糊数及梯形模糊数模型。针对模糊优化方法较难与鲁棒优化方法相结合的问题,本文提出了动态化投资者情绪影响函数的概念,并以此同时解决了鲁棒CVa R投资组合优化模型的保守性问题。此外本文在鲁棒优化方法中引入了精确化的均衡模糊情绪因子,不仅可以赋予使用相关鲁棒投资组合优化模型的投资者以更高的灵活性,而且给出了解决鲁棒优化模型与其它优化方法兼容性问题的全新思路。本文的研究工作仍存在一定的局限性,例如尽管考虑了新兴国家市场与发达国家市场基于多经济周期的股票市场实证数据,但后续研究应加入更多种类的资产或行业数据来进一步拓展模型的应用场景;鉴于时间与个人能力限制,本文没有考虑涉及连续时间下的投资组合优化问题,也没有构建基于更多现实约束条件的鲁棒多目标投资组合优化模型。本文的研究成果不仅有助于进一步深化对于鲁棒优化方法的理解,同时通过改进业界常用的因子模型与使用两阶段优化方法克服了鲁棒投资组合的保守性问题,为其在资产管理等实践领域的应用提供了有益参考。