现代投资组合理论,是以1952年马克维茨提出均值方差模型为起点不断发展起来的。本文讨论了各种投资组合模型,在此基础上,针对目前投资组合中不足之处,进行改进,并对改进后的模型进行了实证分析,整个系统包括四个部分:数据的预处理,即有效输入变量的选取;设计神经网络风险测度指标;然后是将指标引入到模型中去;最后是应用仿真实例。在指标的设计当中,利用模糊曲线法,这一非线性相关性分析方法,对神经网络风险测度指标的输入样本向量进行相关性分析,从得出的结果可以看出这个方法是合理的。本文无论从理论还是实践应用方面都有一定的价值。考虑到模糊数学理论本身就是对非线性相关性问题的一种解决方法,而且股票市场可以被人为是一个高度非线性的市场,所以这种方法可以被很好的在投资组合模型中应用。本文选取了大量输入指标,原则是指标的跨度要广,在这基础上利用模糊曲线法识别出相关性强的变量,以刚神经网络模型的学习效果。该方法相较于以前的数理统计等方法,不仅不需要繁复的计算量,而且从结果看,既选出了重要的变量,又排除了其中相关性很强的变量。在对各种的神经网络算法进行了比较分析之后,本文选用了径向基神经网络模型,设计出风险度量指标。通过对神经网络模型进行训练,对未来的风险做出估计。再对各种投资组合理论进行对比,最终决定采用平均绝对离差投资组合模型,并首先对其进行改进,然后引入神经网络风险测度指标,建立投资组合模型。最后,对一只基金中的十只权重股进行了模型的实证仿真,结果证明本文的研究方法是实用而有效的。