随着我国经济的快速发展,人们对财富管理的需求呈现出多样化的趋势。同时投资产品数量也急剧增加,多数投资产品之间的相关性也不可忽视,且容易引起变量共线性问题,选择合理的资产分散投资风险以获得理想的收益是投资组合的基本理念。基于组合投资对数据的实时性和可靠性要求,本文提出了在传统组合投资模型中附加惩罚约束的方法,以处理金融资产相关性带来的变量共线性问题,从而实现高维组合投资决策。在ES风险测度的基础上,通过正则化Expectile回归法求解均值-ES模型,以消除变量共线性对变量选择的影响,从而帮助投资者建立一个风险最小、收益最好的投资组合。基于自适应弹性网络的优良特性,采用该方法在Expectile回归中添加了惩罚函数项来实现变量选择,并利用均值-ES模型实现了资产选择。仿真结果表明,该模型在不同的相关性、不同的样本量和不同的分位点的情形下,均有较好的变量选择效果,具有较好的适用性和稳定性。与此同时,随着变量间相关性的增强,模型的性能优势也越来越明显,表明模型确实可以解决变量的共线性对变量选择的影响。在此基础上,以申万一级行业指数为研究对象,采取行业轮动策略对不同信息密度下的行业指数数据进行滚动建模,并分析不同换仓周期带来的影响。得出结论:基于自适应弹性网约束的Expectile回归模型可以有效地解决由行业高相关性引起的变量共线性问题,同时具有良好的稳定性,适用范围广。在丰富组合投资决策研究内容的同时,为研究各种类型的变量选择问题提供了新的思路。