根据马科维茨经典资产组合理论,要实现同等预期收益律下组合标准差最低的最优风险资产组合,就要求分析师对每只股票的预期收益、预期收益的方差和每两只股票预期收益间的协方差都做出准确预测。但是随着上市公司数量的增加,以及可用于分析的金融数据,尤其是非结构化数据的总量在不断增加,要对股市中所有的股票信息进行深入研究并准确预测显然是不可能的,且由于股票的良莠不齐,也是不经济的。本论文主要针对在投资组合构建之初的股票池构建环节中出现的上述问题,从马科维茨资产组合理论出发,但并不直接构建投资组合或提供投资建议,而是以尽可能降低投资组合的非系统风险为首要目的,探索一种基于深度学习的构建更优质基本股票池的可行性。研究内容并不涉及买卖时机选择、组合内股票权重分配以及后续组合管理等环节。首先,通过卷积神经网络自编码器对股票K线图进行特征提取,也就是将股票一段时间内的K线图转化为向量,此时该向量代表该股票在选定时间段内的走势。将转化后的向量进行降维、高斯混合聚类,就可以将选定时间段内价格走势趋近的股票分在同一类,走势不同的股票分在不同类,即可实现风险分散的目的。最终,通过自注意力机制模型在每类内部挑选一只股票组成股票池。在实验阶段,在随机选取的5个时间段中,首先计算股票池中股票的协方差矩阵。然后将其所能实现的最小方差组合、看涨股票所占比例以及月收益率等指标分别与对应指数对比,评价所构建股票池的优劣。在5个时间段内均能实现较好的风险分散效果,而在第5个时间段内效果较差的原因会在正文中进一步讨论。