投资组合选择问题,是指投资者在不确定环境下对金融资产进行选择与合理配置的决策问题。金融市场的复杂性决定了投资者在进行投资活动时,其面临的市场环境是不断变化的。为了实现收益最大化的目标,投资者需要在对未来信息一无所知的情形下,根据当前市场环境的信息状况不断地调整投资策略。因此,投资组合选择并非一劳永逸,而是一个动态、在线的问题。以均值-方差模型为基础的投资组合理论研究主要集中在静态情形下进行,而在动态情形下,由于相关模型的求解极为困难,导致其研究结果较少。近年来,随着在线算法逐渐运用到投资组合选择问题的研究工作中,在线投资组合理论研究得以快速发展。本文借助市场异象特征、在线学习算法对投资组合问题进行研究,得到了以下成果:1.提出了基于L1-中位数的一种新的泛证券投资组合策略。本文基于历史时间窗口的数据信息、利用具有鲁棒性的L1-中位数估计得到预期价格趋势,通过最大化预期收益,给出一种新的在线投资组合策略,它既可解决经典UP策略因存在高维空间积分而导致计算复杂的问题,同时又能够尽可能地利用历史数据信息。本文进一步证明了新策略是一个泛证券投资组合策略;最后通过市场真实数据的实证检验表明:与各基准策略相比,该策略能够取得较好的收益。2.提出了分别具有动量特征、反转特征的两个新的Switching交易策略。关注投资组合实施过程中各基本策略之间转换机制的设计,并以市场异象为切入点,充分学习市场异象的特征,根据动量效应、反转效应构造体现不同特征的基准策略转换概率,设计出具有动量特征或反转特征的新的Switching交易策略。本文给出并证明了具有动量效应特征的策略的收益下界;最后通过市场真实数据的实证检验表明:新的Switching策略能在不同的组合下获得优于各基准策略的收益,追踪甚至更优于事后最优定常再调整投资策略的表现。3.提出了多周期非对称均值回归被动主动策略。针对现有基于均值回归的在线策略大多假设均值回归是多周期对称或者单周期非对称、而实际中均值回归一般同时具有多周期性和非对称性的问题,本文研究具有多周期非对称性均值回归性质的在线策略。通过构造多分段损失函数,结合被动-主动算法的分类思想,提出了一种新的在线投资组合策略。这个新策略具有线性时间复杂度,因而适用于大规模交易。虽然该策略很难得到一个理论上的收益保证,但通过四个真实市场数据集的实证检验,证明新策略能够取得比以往策略更优异的收益,同时能够承受更高的交易费用比率。总的来说,本文基于市场异象的特征与股价预测的方法,对现有在线投资组合策略进行了改进、研究。本研究不仅丰富了现代投资组合理论,尤其是在线投资组合理论,而且对在线投资者具有重要的现实指导意义。