近年来,随着国家经济和贸易的飞速发展,上市公司的数量和质量都在以较快的速度增长,国内投资者越来越重视资产的配置,投资资本市场必然成为配置资产的重要手段,合理的资产配置模型可以合理的降低投资风险并且提高投资收益。然而资本市场(尤其是股票市场)不仅受自身基本面的影响,而且还受到同行业、其他行业甚至是国际资本市场的影响,使得资产价格表现出比以往更多的不确定性和波动性。这就给个人或者机构投资者配置资产带来了更高的挑战。对于风险厌恶者来说,在控制风险的前提下,如何配置自己的资产并且获得较高的收益,已经成为学术界和资本市场从业者不断探索和改进的课题。在如今复杂多变的世界经济形势下,研究如何有效配置资产有其必要性。当代投资组合理论的开创者Markowitz认为投资组合的多元化可以有效的分散非系统性的风险,Markowitz在1952年通过数学模型构建了现代投资组合理论的框架,该模型首次运用量化的思想对资产进行配置。之后越来越多的学者对资产配置问题进行了更加深入的研究。随着各国学者根据不同国家和不同市场状况的研究,提出了针对各自市场相对应的模型,实践表明投资者的主观观点在配置资产中起到了至关重要的作用。其中1992年Black和Litterman结合资产定价模型(CAPM)和Sharpe的逆最优化理论提出的Black-Litterman资产配置模型就是对资产定价模型的非常好的优化。该模型在传统的M-V模型的基础上加入了投资者的主观观点,求解出一个新的投资权重并应用于资产的配置中。但是Black-Litterman模型中观点矩阵难以量化的问题一直是制约模型广泛运用的难题,许多学者专门针对这一问题进行了研究。在怎样选取确定的主观观点的过程中,最早的Black-Litterman模型过于随意,在波动率较大的市场环境中,模型表现出一定的缺陷和不足。本文以Black-Litterman模型为基础研究股票市场的投资组合问题。针对Black-Litterman模型的观点矩阵设置过于主观的问题,本文使用RBF神经网络预测观点矩阵并对Black-Litterman模型进行改进。在求解投资组合优化问题时,本文引入随机最优化方法解决方差的非线性问题。实证检验部分详细展示了建模的过程,实证结果显示该模型相较于传统M-V模型、BP-BL模型能够获得更高的超额收益并且得到的Sharpe比率也更高。