近年来,主动投资策略的投资组合在收益表现上水平参差不齐,不少投资组合表现水平远低于市场指数的平均水平,进而指数化的被动投资策略越来越被更多的投资者所青睐。本文主要利用深度学习自编码器构建指数跟踪的投资组合,实现用较少数量的指数成分股构建复制目标市场指数变化趋势和指数收益率的投资组合。通过设计并实现一套可视化的指数组合投资推荐原型系统,为金融投资者推荐可对不同市场指数进行跟踪的指数跟踪的投资组合,为投资者提供可靠的投资参考。本文的具体研究工作及其成果如下。将深度学习自编码器模型运用于中国A股市场的指数跟踪投资组合构建,利用自编码器进行选股,对中国A股市场沪深300指数及其成分股2017年末至2021年末的历史数据进行测试,实现了构建适合我国金融市场国情的指数跟踪的投资组合。通过与传统最大权重选股模型对比,本文自编码器选股模型构建的投资组合,其日均跟踪偏离度绝对值为0.012%相比最大权重法的0.091%,缩小了接近87%,年化跟踪误差小1.5倍多,指数跟踪性能实现提升。验证了本文自编码器选股模型在中国金融市场构建指数跟踪投资组合的有效性和先进性。在此基础上,确定了本文自编码器选股模型在构建指数跟踪投资组合时,投资组合中股票数量的最佳边界在40到50区间。在确定选股数量为45的基础上,进一步确定了投资组合中指数市场相关性强的股票数量的最佳边界为0至5区间。最后,利用自编码器构建了投资组合的权重配置模型,对指数跟踪投资组合进行权重配置上的优化,在沪深300指数及其成分股2017年末至2021年末的历史数据构建组合中,本文自编码器权重配置模型与等权重配置模型相比,年化跟踪误差除2021年下降幅度较小,下降了0.070%,前4年每一年都下降了19%到30%,说明了本文自编码器权重配置模型进一步缩小了投资组合跟踪误差,实现了投资组合跟踪性能提升。总的来说,本文针对指数跟踪投资组合构建问题构建了自编码器选股模型和自编码器权重配置模型,自编码器选股模型比传统最大权重选股模型降低了87%日均跟踪偏离度绝对值,年化跟踪误差缩小了1.5倍。自编码器权重配置模型比等权配置模型在最差情况下年化跟踪误差降低0.070%,最好情况下年化跟踪误差降低30%。最后,本文将算法模型落地到软件系统当中,设计和实现了一个投资组合推荐原型系统。