投资组合问题是当代金融学的重要研究热点内容,它主要面对的问题是在满足给定收益的前提下将固定数目的资金分配到多种资产上使得风险最小化。近年来,基于VaR(风险价值)和CVaR(条件风险价值)风险度量理论的提出成为解决现代金融风险投资问题的主要方法。另一方面,投资组合中的交易费用和投资比例上限已经成为组合投资的重要约束因素,忽略交易费用和限制投资比例因素有出现无效的投资组合的可能。因此,本文采用CVaR度量风险,构建有交易费用和限制证券比例的均值-CVaR投资组合模型。粒子群优化算法收敛速度快、精度较高,在解决连续性优化问题上体现了其高效性能。但算法本身也存在后期收敛速度慢、精度不够高、容易发散等缺点,且解决离散型问题方面的应用较少。本文针对粒子群算法全局搜索能力强,但易跳过全局极值,且只能求解连续性问题的缺点,提出离散复形法局部搜索的思想,来有效提高粒子群算法在离散型问题中的搜索性能。针对粒子群算法易陷入局部极小的缺点,引入自适应粒子迁徙操作保证粒子的多样性,有效避免陷入局部收敛,进一步提升算法的收敛能力和搜索速度。在论文的第四章将提出的改进粒子群算法应用于第三章构建的均值-CVaR投资组合模型上。通过选择沪深股市15支股票对建立的模型及改进的算法进行实验,通过不同的参数选择研究其对模型结果的影响。实证分析表明将改进的粒子群算法应用到求解均值-CVaR模型的投资组合问题,与其他算法相比,该方法精度更高、性能更稳定。