El rápido desarrollo de las finanzas en Internet ha impactado los patrones de inversión tradicionales, y los fondos de dinero en Internet (IMFs) están involucrados extensamente en las finanzas. Esta investigación construyó un modelo de red neuronal de memoria a largo plazo (LSTM) para predecir las tasas de rendimiento de los IMFs y utilizó los métodos de valor en riesgo (VaR) y valor en riesgo ajustado por liquidez (La-VaR) para medir el riesgo de los IMFs. Luego, se estableció un modelo de programación objetivo basado en la predicción y evaluación del riesgo para diseñar carteras óptimas. Los resultados indican lo siguiente: (1) Los resultados del modelo LSTM muestran que las curvas de pronóstico son consistentes con las curvas reales, y el resultado del error cuadrático medio (RMSE) es de solo 0.009, lo que indica que el modelo es adecuado para pronosticar datos con características fiables periódicas en el tiempo. (2) Con un costo de liquidez unitario, los resultados de La-VaR se ajustan mejor a la realidad que el VaR, ya que demuestran que los IMFs basados en fondos (FUND) tienen el mayor riesgo, los IMFs basados en bancos (BANK) ocupan el 2º lugar y los IMFs basados en terceros (THIRD) ocupan el 3º lugar. (3) El modelo de programación basado en LSTM y La-VaR puede satisfacer las preferencias de diferentes inversores ajustando los objetivos y restricciones. Se muestra que los modelos diseñados tienen más significado práctico que las estrategias de inversión tradicionales.