随着我国社会和经济的不断发展、人民生活水平的不断提高,也随着我国金融市场体制的不断完善,参与证券投资的人越来越多。据某项调查显示,截至2016年底中国已有过1.2亿人正在参与证券投资。同时,中国股民不但具有区域性、低龄化、低学历等特点,同时,绝大多数股民还有很强的盲目性,从众心理。虽然中国的股民队伍正在不断壮大,但是由于中国股民的整体素质较低,中国股民的总体生存状况并不好。随着计算机相关技术的不断发展,计算机已经在很多领域,改变了人们的生活方式、大大提高了生产生活效率,但是针对证券投资评测领域的平台系统的发展还比较欠缺。目前,只有券商平台和部分成熟的证券行情分析软件附带有简易的用户投资行为分析功能,而他们所提供的用户投资行为分析也仅仅局限于一些统计指标的计算和笼统的投资特点概括等。一般来说,最被证券投资者所关心的无非两个问题,收益与风险。围绕收益和风险,本课题的研究内容主要集中在以下两点:一方面,研究如何对证券投资者进行科学、合理、系统、全面的投资行为评测;另一方面,研究如何使用智能优化算法为投资者提供高收益、低风险的投资组合方案。针对投资行为评测问题,本课题提出了一种用户投资行为量化评测方法。通过对用户投资记录的处理,得到用户投资兴趣的向量化表示。尝试使用k-means算法、DBSCAN算法等对用户投资兴趣进行聚类分析。经过对网络爬取、模拟投资平台等多种来源的用户数据进行聚类分析发现,证券投资者在一定程度上表现出投资习惯与兴趣的群体相似性。同时发现,以轮廓系数作为评价指标时,DBSCAN算法具有更好的聚类效果。结合金融学中证券投资领域的一些基本原理,参考量化投资的一些方法和模型,选取六项量化指标作为用户投资行为的评价指标。并根据六项评价指标值,给出用户投资行为的综合能力评价雷达图。通过用户投资行为评测平台的设计与实现,验证了用户投资行为量化评测方法的可行性。针对证券组合优化问题,本课题以均值-方差投资组合模型为理论依据,采取粒子群算法和遗传算法两种智能算法作为优化方法,进行证券组合优化的实验与分析。使用粒子群算法和遗传算法,对沪深300中的九只股票进行最优投资组合搜索,给出高收益、低风险的投资组合方案。通过进行大量的试验与分析,发现粒子群算法和遗传算法在对投资组合进行优化时,都取得了一定效果。