随着人工智能和计算机技术的发展,将计算机相关技术运用于解决金融领域的问题,为传统金融问题带来了新的解决思路,综合不同领域的优势进行跨领域跨学科的研究已经成为现如今的研究热点。作为金融领域的经典研究问题,组合投资是选择一定数量的资产进行权重分配获得资产集合,以获得更高的回报,同时避免或减少投资风险的投资方式,该投资方式得到的资产集合称为投资组合。目前,国内外的相关研究已经提出了许多用于解决投资组合优化问题的方法,主要可以分为基于统计模型的方法、启发式方法、基于学习的方法和基于模型组合的方法。但是,基于模型统计的方法对数据要求高,启发式方法效率低下,基于学习的方法常不够稳定,现有的基于模型组合的方法对股票序列数据的内在关联性考虑不足。针对上述问题,本文通过对投资组合优化问题进行建模分析,提出了一种基于多策略平衡的投资组合优化算法。该算法首先使用基于成交量的选股方法进行投资组合成分股选择,然后基于多策略平衡的思想,使用序列模型的编码器结构对三个基础投资组合模型进行多策略平衡,将其编码为市场信息,然后再通过解码器解码得到的策略权重结果进行计算来得到最终的投资组合成份股权重,从而得到最优的投资策略。本文的研究内容主要分为以下几个方面:（1）对投资组合优化问题进行定义。本文首先介绍了投资组合中涉及到的相关概念及一些变量的具体含义,并给出了具体的计算公式,然后提出相关前提假设,并在假设前提下详细推导了投资组合优化问题的优化思路,最终给出投资组合优化算法的优化目标及投资组合优化问题的完整数学定义。（2）为投资组合优化问题设计并实现了一个基于多策略平衡的投资组合优化算法,称为Multi-Strategy Balance Portfolio（MSBP）算法。该投资组合优化算法首先使用基于成交量的投资组合成份股选择算法从原始数据集中进行股票选择,得到投资组合成份股集合,然后基于多策略平衡的思想,采用多策略平衡与序列到序列模型结合的方式,使用特征提取网络进行股票市场特征提取,然后使用编码器网络对市场信息进行提取和编码,再通过编码-解码的架构实现对基础策略的平衡,并在解码过程中,添加股票价格预测分支,使用股价预测分支所获取的未来市场信息辅助投资权重的预测,从而训练模型进行投资组合优化,以达到最好的投资效果。（3）对本文提出的基于多策略平衡的投资组合优化算法进行对比实验,验证其有效性。本文选取了两种基于汤普森采样的模型组合方法、集成增长最优投资组合算法、深度确定性策略梯度算法、基于残差因子分布预测的深度投资组合优化算法和启发式遗传算法这六种投资组合优化算法和三种基础模型与本文提出的投资组合优化算法进行对比实验,并使用超额收益和夏普比率作为评价指标对各投资组合优化算法的优化效果进行评估。在美国股市的道琼斯指数成份股数据集和中国香港恒生指数成份股数据集上的实验结果表明,与三种基本方法和六种其他算法相比,本文提出的算法是有效的且具有显着的性能优势且MSBP算法比表现最优的对比算法在ER指标上提升了432.06%,在SR指标上提升了191.62%。