针对传统投资组合策略的高频资产配置调整产生高额交易成本从而导致最终收益不佳这一问题，提出基于机器学习与在线学习理论的半指数梯度投资组合（SEG）策略。该策略对投资期进行划分，通过控制投资期内的交易量来降低交易成本。首先，基于仅在每段分割的初始期调整投资组合而其余时间不进行交易这一投资方式来建立SEG策略模型，并结合收益损失构造目标函数；其次，利用因子图算法求解投资组合迭代更新的闭式解，并证明该策略累积资产收益的损失上界，从理论上保证算法的收益性能。在纽约交易所等多个数据集上进行的仿真实验表明，该策略在交易成本存在时仍然能够保持较高的收益，证实了该策略对于交易成本的不敏感性。

针对现有均值反转类策略未充分考虑噪声数据、单周期假设和数据的非平稳性等问题，提出了一种基于多周期的高效的在线自回归移动平均反转（OLAR）算法。首先，利用自回归移动平均算法得到了股价预测模型，并经过合理的假设将其转化为自回归模型；然后，结合损失函数和正则项构造出了目标函数，并利用损失函数的二阶信息得到了参数的闭式解；接着，利用在线被动攻击（PA）算法得到了投资组合的闭式更新。理论分析和实验仿真结果表明，与鲁棒中位数反转（RMR）相比，OLAR在NYSE（O）、NYSE（N）、道琼斯工业指数（DJIA）和MSCI数据集上的累积收益分别提高了455.6%，221.5%，11.2%和50.3%；同时，统计检验结果表明，OLAR的表现并不是由随机因素造成的。此外，与RMR和在线滑动平均反转（OLMAR）等算法相比，OLAR获得了最大的年化收益率、夏普比率和Calmar比率；最后，OLAR的运行时间与RMR和OLMAR基本相同，因此也适合大规模的实时应用。