资本市场作为现代市场经济的重要模块,其发展是我国经济发展的重要支柱。同时股票市场作为资本市场的核心,其平稳发展对企业融资结构的优化、社会资源分配的改善及国民经济发展的促进等方面都有着重大意义。因此,股票市场分析一直是颇具现实意义的研究领域,而备受投资者们关注的股票市场研究则包括股票价格的预测分析及金融投资产品的组合优化。因为精准稳定的股票价格预测模型不仅能为企业投资者规划融资路线提供科学的数据基础,而且能为政府研究经济形势提供一定的数据支撑。有效的投资组合优化系统则可以为企业及个人投资者提供风险可控且预期收益更高的金融投资产品组合。近年来,随着交叉学科的优势不断显现,更多的研究者将新兴的人工智能算法引入到股票价格预测领域中,并将其与传统的投资组合理论结合,形成新的投资组合优化模型,最终取得了较好的优化效果。而随着深度学习及多目标优化算法在能源、环境等自然科学领域取得成功,探索其在股票价格预测及投资组合优化等金融领域的应用也成了热点问题。在此基础上,本文将深度学习和多目标优化算法用于股票价格预测,并结合经典的投资组合理论进而构建有效的投资组合框架。本文研究的具体内容如下:（1）提出了基于人工智能算法和经典评价策略的混合选股框架。利用三种深度学习算法和经典的极限学习机网络对股票进行收盘价趋势分析,并且引入多目标优化算法对单一预测模型的权重进行优化,从而形成混合股价预测模型。此外,本文将混合股价预测模型与经典的优劣解距离法结合以综合评价股票的性能,从而得到各方面均具有优势的股票集。研究结果表明,结合了混合股价预测模型和优劣解距离法的混合选股算法能够更科学地筛选出优势股票,并且在后续的投资组合模型中获得更好的平均预期收益。（2）构建了更有效的投资组合目标函数簇。该目标函数簇基于传统的均值/方差模型,为了克服方差在风险度量时所存在的问题,本文引入了更有效的一致性风险度量指标（即:条件风险价值）,并且为了提高投资组合优化的效果,增加了最大化收益偏度这一指标,形成新的目标函数簇:均值/条件风险价值/收益偏度。研究结果表明,与传统的均值/方差投资组合优化模型相比,基于新的目标函数簇的投资组合优化模型总体能够获得更高的平均预期收益,且其夏普比率等指标值也相对更大,这同样意味着新的目标函数簇更具优势。（3）构建了基于混合选股算法的投资组合优化模型。在对股票进行收盘价预测后,混合选股模型能够得到综合表现更具优势的股票,根据这些优势股,本文构建了基于新的目标函数簇及多目标水循环优化算法的投资组合模型。仿真结果表明,本文所提出的投资组合模型相较传统的均值/方差模型在风险一定的情况下具有更高的收益,且对比实验表明与其他基准模型相比,基于多目标水循环优化算法的投资组合模型具有更好的投资优化效果。综上所述,与现有研究相比,本文的创新点包括:（1）本研究在提出了混合股价趋势分析模型后,进一步引入了优劣解距离法,构建了新的混合选股系统;（2）本研究在传统投资组合目标函数的基础上,建立了新的投资组合目标函数簇;（3）提出了新的投资组合优化框架。