构建有效的股市投资组合策略不仅能够帮助投资者最大程度降低投资风险,而且能增加潜在预期收益。然而由于信息的非对称、不完备性等,金融时间序列往往是含噪的。在实践中,一件容易被忽略的事实是组合绩效对噪声非常敏感,忽略噪声的存在得到的实证结果存在失真的风险,投资者也很难得到有效且稳健的组合策略。在当前投资风险增大化的背景下,如何消除噪声对投资组合的不利影响成为需要迫切关注的问题。目前,已有学者尝试将流行的去噪算法如小波去噪等,引入投资组合中,寻求解决噪声影响的新途径。相比小波去噪等流行的去噪算法,基于EMD构建的去噪算法具有自适应性、操作难度低、适用范围广等优点。然而基于EMD去噪分析投资组合的研究目前尚处于起步阶段,相关研究有待展开。以EMD去噪为基础深入研究去噪应用于组合管理的问题不仅有助于完善EMD去噪算法,也对投资组合理论的发展等具有重要的意义。在股市证券投资组合逐渐成为经济社会生活的重要构成部分的今天,该研究具有很强的现实意义。考虑到这些事实,本文从阐明噪声对投资组合的影响角度入手,以构建高效投资组合策略为最终目标,论证了去噪的必要性,并选择EMD去噪算法作为解决噪声影响的方法,从而建立了基于EMD去噪算法的投资组合策略的整体思路框架。共包含三个不同的角度:第一,通过理论与实证分析建立噪声与投资组合连接的桥梁,解释了噪声对投资组合的影响,弥补了以往研究缺乏理论支撑的不足。第二,通过构建新的EMD去噪算法来弥补以往EMD去噪算法应用于投资组合中去噪不充分以及过度去噪的缺陷。第三,通过构建新的EMD去噪相关性网络算法弥补了EMD去噪增大组合风险的不足。主要研究工作概括如下:考虑到去噪应用于投资组合的研究缺乏理论基础,第三章通过理论分析与实证研究解释了噪声对组合模型的影响。具体来说,首先将含噪价格分解为非噪声成分和噪声,并理论推导含噪和非含噪环境下的最小方差、均值-方差、最小CVaR、均值-CVaR模型的最优组合权重。通过比较它们的差异,确立了噪音导致最优组合偏离其真实位置,阐明了去噪的必要性。在理论分析的基础上,通过实证研究进一步论述噪声对投资组合的影响,并对比分析了噪声对不同组合模型的影响差异。实证结果表明最小风险模型相比均值-风险模型、选择方差度量风险相比CVaR、参数估计方法相比半参数和非参数方法受到噪声干扰程度更低,组合绩效更加稳健。另一方面,均值-风险模型、选择CVaR度量风险、半参数和非参数估计方法能够收获更多的组合收益,相应的风险收益均衡能力更强。在实践中,针对受到噪声影响较高的组合模型,如均值-CVaR模型开展去噪研究更加重要,不仅能够消除噪声的干扰,提高模型的稳健性,也能够收获更多的组合收益。考虑到常见的去噪算法,尤其是EMD去噪算法在投资组合管理中存在去噪不充分、过度去噪等问题,第四章基于相关系数检验方法提出了新的的自适应EMD去噪算法来改善组合收益。具体来说,EMD技术被用来分解含噪价格为一系列的IMFs,随后利用噪声与含噪价格之间的相关性非常低,而有效价格与与含噪价格的相关性非常高这一差异特性,对分解的IMFs与原始含噪价格之间的相关系数进行假设检验,以识别哪些IMFs为噪声。最后通过构建均值-CVaR模型来说明提出的去噪算法的优越性。实证研究表明,虽然一定程度上增大了组合风险,提出的自适应EMD去噪算法在组合收益率、夏普比率、信息比率和追踪误差比率方面均显著优于常见的EMD去噪、EEMD去噪和小波去噪。通过模拟研究、改变置信水平、优化目标和窗宽论证了结果的可靠性。考虑到股市可以视作一个彼此关联的相关性网络,投资网络外围”边缘”成分能够有效降低组合风险,第五章通过将这一网络特征融入到EMD去噪中,提出了新的EMD去噪相关性网络算法来弥补EMD去噪无法有效降低组合风险的不足。具体而言,首先对原始含噪价格序列进行EMD去噪处理,随后基于PMFG算法和去噪收益的相关系数矩阵构建股市相关性网络,通过中心性度量来针对性投资网络中的外围成分,最后通过三个最小CVaR模型和等权重组合模型来说明提出的算法的优越性。实证结果表明,提出的EMD去噪相关性网络算法其样本外组合风险显著低于传统的EMD去噪算法,组合收益显著高于相关性网络算法。通过改变置信水平以及实证数据验证了结果的稳健性。