股票预测、择时以及投资组合一直是量化金融领域研究的热点问题。在进行投资时投资者选择何种股票、所持有的股票在什么时间点进行交易以及如何通过分散投资规避投资风险,这三个问题一直备受投资者关注。本文的研究就围绕以上的三个问题构建了一个预测选股、择时以及投资组合相结合的投资策略,研究内容如下:（1）基于改进萤火虫算法和支持向量回归相结合的股票收益率预测在选股研究中,构建了一个改进的萤火虫算法和支持向量回归方法相结合的预测模型,并使用该模型预测股票的收益率。模型的构建主要分为两步:首先,改进萤火虫算法,提出一个萤火虫算法收敛的充分条件并予以证明,并根据该条件提出了一个具有动态调整策略和基于反向混沌映射策略的改进萤火虫算法;然后,将该改进萤火虫算法和支持向量回归方法相结合,预测股票的收益率,其中改进萤火虫算法用于优化支持向量回归的参数;最后通过实证来验证改进算法和预测模型的性能。实证结果表明:与其它算法比较,改进后的萤火虫算法具有更好的寻优精度和收敛速度,而改进萤火虫算法和支持向量回归模型相结合的预测模型,与其它的预测模型相比具有更高的预测精度。（2）基于朴素贝叶斯和极端提升相结合的股票择时研究该部分研究中对前文研究中所选出的预测收益率较高的股票进行择时。首先使用分段线性表示的方法来识别股票的交易信号,然后构建了一个朴素贝叶斯和极端梯度提升算法相结合的分类模型来进行股票择时。该模型的构建主要分为两步:使用朴素贝叶斯方法根据技术指标处理股票数据,然后把该结果作为一个指标,和原来的技术指标一起作为极端梯度提升算法的输入指标进行分类。在进行实证中使用UCI公开数据集验证该模型相比于其它的对比方法具有更高的分类精度,然后使用该方法进行择时操作,在择时中选择12个常用的技术指标作为输入,使用所提方法分别预测下一个交易日的股票价格变化方向以及分段线性表示方法所识别的交易信号。实证结果表明本研究所提的方法相比于其它分类方法具有较高的分类精确度,且根据各分类模型所预测的交易信号在不同的交易策略下进行交易时,所提方法所获得的收益高于其它的方法。（3）基于预测选股的投资组合该部分的研究是在前两部分研究的基础上对股票资产进行配置,分别使用三种投资组合模型对资产进行配置,分别为均值方差模型、均值绝对偏差模型和均值Cva R模型。所选的股票为对股票收益率预测的研究中预测收益率最高的几只股票。在股票配置之后,再根据配置后各股票间的比率和在择时研究中各策略所获得的收益计算投资组合所获得的收益。在本研究中,考虑两种现实约束:一种是不允许卖空的投资约束;另一种是包含上一种约束的情况下,考虑有交易费用的约束。并分别根据这两种约束进行配置并计算收益。实证结果表明,使用基于预测选股、择时和投资组合的混合策略进行投资时可以获得较高的收益。