投资组合的核心问题是如何在不确定环境下,进行最优的资产权重配置。由于现实金融市场瞬息万变,投资者的投资活动需要进行不断调整,因此Markowitz的静态均值-方差模型显得不那么适用。近年来,在线学习得到飞速发展,并应用到金融领域,其根据实时信息反馈不断对模型进行自我调整的特点十分贴合在线投资组合问题。目前,学术界已存在一系列在线投资组合决策,本文主要针对相关系数驱动的非参数学习策略（Correlation-driven Nonparametric Learning Approach,CORN）做了如下工作和创新:第一,市场相似程度计算和CORN策略中,都涉及市场窗口间相关系数的计算,本文对其计算方式做出了理论改进,使之兼顾市场趋势和资产特性。通过具体数值的计算,度量了市场相似程度,对不同市场间比较,发现市场相似程度存在差异,具体表现为有效性强的市场会拥有更高的市场相似程度,而这个结果在一定程度上违背了有效市场假说。对策略的改进效果进数值分析,发现能提升整体表现,并且这种提升是与策略核心的市场相似性程度正相关。还发现改进后的策略,在极端环境下也有不错表现。第二,在线投资组合研究框架中使用的都是资产的相对价格序列,而现实生活中绝对价格更为常见,并且其与模式匹配策略内核更为接近。提出基于绝对价格序列的算法改进,并代入具体数值检验,发现这种兼顾区间内具体数值点位和区间之间相近趋势走势,改进所带来提升是普遍且全面的。第三,引入交易费用,将经过双重改进的策略,与其他在线投资组合策略进行比较,结果显示在各个数据集上都拥有不错的表现,并且基本能够击败市场策略和其他模式匹配策略,较好追踪BCRP策略。同样发现,策略的有效性与市场相似程度正相关。无论是仅通过历史信息的分析获得超越市场的收益,还是有效性强的市场获得该策略的最高收益,都在一定程度反映了有效市场假说的局限性。对策略的超额收益α进行了统计检验,市场相似性强的市场,拥有更高更稳健的超额收益α,且能够承受更高的交易费用风险。