投资组合优化是智能投顾的核心功能，其理论基础源自现代投资组合理论。1952年，马科维茨提出的均值方差模型开创了量化投资组合管理的先河，至今仍是智能投顾算法的基础。投资组合优化算法的目标是在给定约束条件下，找到最优的资产配置比例，实现风险收益的最佳平衡。
均值方差优化模型是投资组合优化的经典方法。该模型假设投资者是风险厌恶的，在给定风险水平下追求最大收益，或在给定收益目标下最小化风险。通过计算各类资产的预期收益率、波动率和相关性，均值方差模型可以构建有效前沿，即所有最优投资组合的集合。投资者可以根据自身风险偏好，在有效前沿上选择合适的投资组合。
然而，均值方差模型存在一些实践中的问题。首先，该模型对输入参数的敏感性很高，收益率和波动率的微小估计误差可能导致配置结果的大幅偏离。其次，该方法倾向于集中配置，容易过度依赖某些资产类别。针对这些问题，研究者提出了多种改进方法，包括贝叶斯收缩估计、约束优化等，以提高模型的稳定性和实用性。
风险平价策略是近年来广受关注的投资组合优化方法。该策略的核心思想是将投资组合的风险等比例分配给各类资产，使每类资产对组合总风险的贡献相等。与均值方差模型不同，风险平价策略不需要预测收益率，只需要估计波动率和相关性，这大大降低了参数估计的难度。风险平价策略在实践中表现出较好的稳健性，在市场波动时能够有效控制风险。
除了均值方差和风险平价模型，智能投顾还采用其他优化方法，如最大分散化、最小相关性、目标波动率等策略。每种方法都有其适用场景和优劣势。智能投顾系统通常会结合多种优化方法，根据市场环境和用户需求动态选择最优的配置策略，实现更加灵活和有效的投资组合管理。