随着我国资本市场的改革与市场化程度的不断提升,可供投资的标的也日益增多,A股市场的上市公司从2010年的2149家增长到了2020年的3765家;此外,在2010年到2020年的十年间相继推出了沪深300股指期货、中证500股指期货、上证50股指期权、商品期货、国债期货等多种投资标的,在投资收益和投资风险之间的权衡,并对投资组合进行优化配置的话题也成为了投资领域的研究热点。另一方面,自Alpha GO连续战胜围棋职业选手后,人工智能与深度学习的魅力第一次展现在了公众面前,也有越来越多的学者将深度学习运用于各个领域,在此背景下,结合人工智能与深度学习,构建具有较高收益而风险相对可控的投资组合就成为极具现实意义的问题。近年来,如何使用深度学习辅助投资实践也成为了量化投资领域研究的热点。学术界使用数量方法对投资组合进行优化可以追溯到20世纪50年代,1952年Markwitz提出的均值-方差模型开创了现代投资组合理论的先河。但是Markowitz模型也存在一定的局限性。首先,Markowitz模型存在许多理论假设;其次,Markowitz模型对输入参数过于敏感,预期收益率的微小变化可能造成最终配置结果的大幅改变。这些因素都会影响Markowitz模型的可用性。针对Markowitz模型所存在的缺陷,学者和研究人员提出了多种改进方法,其中最成功的莫过于高盛的两位研究员Fisher Black和Robert Litterman于1992年构建出的Black-Litterman模型,他们将均值方差模型和贝叶斯理论相结合,把投资者对于风险资产的主观观点与先验的市场均衡收益相结合,并结合观点的信心水平,从而形成新的后验预期收益率,来影响最终的风险资产配置。根据相关实证研究表明,Black-Litterman模型可以体现出诸多优于Markowitz均值方差模型的特征,更适用于投资实践。Black-Litterman模型既可以应用于战略性资产配置,也可以应用于战术性资产配置。如今该模型己经成为金融市场内研究员进行资产配置研究的一大利器。但是Black-Litterman模型也存在着自身的不足,首先就是观点矩阵和信心水平的形成过程过于主观,这也是怀疑者攻击Black-Litterman模型可靠性的主要原因。为了解决和克服这一缺陷,有学者尝试使用数理模型来生成投资者观点,其中最主流的方法就是结合线性的时间序列模型例如自回归移动平均模型(ARMA)、广义自回归条件异方差模型(GARCH)对未来的收益率与波动率进行预测,并代入Black-Litterman模型计算资产配置比例。但实际上,金融时间序列具有高噪声等特性,价值自变量与因变量之间的关系会随时间的变化而变化,使用线性的时间序列模型并不能对未来收益率进行有效的预测。因此,本文在使用数理方法生成投资观点这一思路的基础上对模型进行改进,引入长短期记忆网络LSTM对标的资产收益率进行预测,并在此基础上形成投资观点。经过实证研究可以发现,基于LSTM神经网络优化后的Black-Litterman模型性能优于Markowitz均值方差模型和使用线性时间序列模型预测收益率的Black-Litterman模型,在提高收益率的同时,也能够很好地提高投资组合的夏普比率,降低最大回撤。