随着社会经济与科学技术的不断发展,投资组合在金融市场占据了越来越重要的地位,而多目标优化是投资组合领域的重要研究方向。一般而言,多目标投资组合旨在通过优化各资产的投资金额占比,对收益和风险进行权衡,得到一系列非支配解,为投资者根据个人偏好进行决策时提供参考。然而,鉴于证券市场受监管等因素影响,投资组合中的收益与风险不确定性不断增加,与此同时,金融数据具有突变性与即时性等特征,容易出现尖峰厚尾现象,使得来自市场与数据的混合不确定性给投资组合优化带来了严峻挑战。此外,从单目标到多目标的提升,对优化模型的求解算法也提出了更高的要求。因此,如何利用历史数据对证券收益不确定性进行有效的表示,如何在不确定性下建立完善的多目标投资组合优化模型,以及如何改进优化模型的求解算法成为当前重要研究课题。基于上述背景,本文主要研究非参数核密度估计下的多目标投资组合优化问题。首先,针对投资组合问题的不确定性,提出一种基于非参数估计方法与周期衰减系数的数据驱动表示模型:其中,为应对样本数据的尖峰厚尾等特征问题,采用非参数核密度估计方法来估计投资组合中证券收益率的概率密度函数。同时,为捕获历史数据的周期性特征,引入周期衰减系数来对历史收益率数据进行时间关联性处理,使处理结果更加真实有效,从而提升后续模型求解结果的准确性。在此基础上,对核密度估计方法的带宽调整策略进行研究,并与多目标优化相结合,从而获得高质量的帕累托解集。随后,考虑到传统度量风险方式不能体现资产发生最大损失的潜在风险,提出多目标动态单带宽CVa R投资组合模型。同时,为验证各证券收益率的拟合分布与投资组合之间的关联性,建立多目标动态多带宽T-CVa R投资组合模型。最后,针对实际投资组合模型,提出基于强化学习的多目标粒子群算法—在多目标粒子群优化算法IMOPSO的基础上,个体最优选择阶段引入贪心策略,全局最优选择阶段引入迭代系数函数替代原有随机选择方法,并融合强化学习机制来优化粒子群动作行为。同时,基于真实数据,采用一系列实验,验证了本文提出的基于强化学习的多目标粒子群算法对于求解多目标投资组合问题的有效性。