随着信息技术和手机等移动设备的快速发展,金融投资的便利性大幅度提升,人们对投资的多元需求与日俱增。投资组合选择问题是现代投资组合理论的基本问题,研究该问题不仅能为投资者的投资决策提供科学依据,而且对促进现代投资组合理论研究具有重要的参考价值。源于马科维茨均值-方差理论的单次投资组合选择,由于需要对市场进行严格的理论假设并且不能适应性的自动调整策略而无法满足现实中的投资需求。而源于资本增长理论的在线投资组合是一种多次的投资组合选择方法,无需对市场进行过多的条件假设,并且可以自动的进行策略调整。与此同时,在线学习算法也得到快速发展,在大规模在线优化问题的求解方面,受到业界的青睐。特别地,在线学习算法领域取得的丰硕成果进一步促进了众多学者对在线投资组合选择问题的研究。毋庸置疑,在线投资组合选择不仅是一种新的投资组合选择方法,也对我国金融产业的发展和完善具有极其重要的现实意义。为了满足广大投资者对在线投资组合选择的需求,本文旨在利用在线学习算法系统的构建在线投资组合选择的模型,并进行实证分析,本文的研究工作主要概括为以下三个方面:第一,对在线投资组合选择策略、在线投资组合选择的交易成本和边信息问题、在线学习算法的研究进行了对比分析和梳理总结,提出本文的研究方向和主要算法。均值反转策略是现有在线投资组合策略中表现最好的策略,但是忽视了均值反转的动态属性,只使用了静态的模型进行价格预测,与实际的投资需求仍然有一定差距,存在进一步优化提升的空间。而在线学习算法符合在线投资组合的逻辑,故提出基于在线算法对均值反转策略进行改进的研究思路。第二,基于在线学习算法对已有的均值反转策略进行改进。由于已有均值反转策略都在使用静态模型对资产价格进行预测,并不符合金融价格的非平稳性,容易造成策略效果的下降。针对该问题,本文基于在线梯度下降（Online Gradient Descent,OGD）和在线牛顿步（Online Newton Step,ONS）算法分别构建两个动态均值反转策略OGDMAR（OGD Moving Average Reversion）和ONSMAR（ONS Moving Average Reversion）。然后,在四个经典数据集上进行数值实验。结果表明,改进后,策略的累积收益得到明显提升,并且两个策略各有特点,但是ONSMAR策略在NYSE（N）数据集上表现不佳,出现累积收益下降的问题。第三,为进一步完善动态均值反转策略并解决ONSMAR策略中存在的问题,对带边信息的动态均值反转策略进行研究。首先,提出一种基于L1中位数的动量效应提取方法。然后,基于该方法提出两种带动量效应的动态均值反转策略IOGDMAR（Improved OGDMAR）和IONSMAR（Improved ONSMAR）。最后,再次在四个数据集上进行数值实验。结果表明,策略在加入动量效应后累积收益有所提升,ONSMAR策略在NYSE（N）上的累积收益下降问题也得到解决,但是动量效应对策略累积收益的提升幅度大小会受到数据集的影响。此外,所有均值反转策略都存在无法承担高交易成本的缺点,这需要进一步的研究。本文的重点是基于在线学习算法和动量效应对OLMAR策略进行改进,以提高策略的累积收益,使均值反转策略有更高的应用价值。