随着国内的基金市场不断与国际市场接轨,国内设计的基金品种也越来越丰富,2017年9月首批公募FOF基金获批,这标志着公募基金的发展进入了新的纪元。FOF的出现不仅使得我国的金融产品体系变得更加丰富,通过专业人士管理可以帮助投资者精选基金,使得风险二次分散,还能帮助投资者在全球范围内进行资产配置,预防单边市场下跌的风险。随着公募FOF基金逐渐获批上市,国内学者对于FOF基金的研究也越来越多,FOF基金的业绩主要取决于基金经理的资产配置能力和FOF子基金选择能力,目前国内学者的研究大都局限于资产配置,尤其是研究利用风险平价、均值方差等模型进行资产配置,很少有人研究如何精选FOF子基金,而FOF子基金的选择对于FOF组合的表现至关重要。针对这一现状,本文采用集成学习中的Xgboost、Lightgbm、Catboost、GBDT、随机森林等方法来选择投资标的并结合最小方差、风险平价、等权重模型来构造FOF基金,试图为FOF基金经理和FOF基金研究员提供一种新的选择投资标的及配置权重的思路。本文的理论部分主要阐述了集成学习中5个模型(包括Xgboost、Lightgbm、Catboost、GBDT、RF)的原理,然后介绍了常用的资产配置模型,包括均值方差模型、风险平价模型、等权重模型,并分别说明这些方法的优缺点。实证分析部分,本文参考大量文献,选取了最能影响基金业绩的26个指标,再通过特征工程基于这26个指标构造出了759个新的特征,最终采用了785个特征(包含原有的26个特征和新构造出的759个特征)用于建模。然后基于最近4年的数据采用集成学习方法(包括Xgboost、Lightgbm、Catboost、GBDT、随机森林)来预测样本基金的下期涨跌(分类)和累计收益率(回归),并采用AUC、Recall、Precision、Recall-Precision图来评价模型效果。针对模型的最后得分,选择评分前十的公募基金作为FOF基金的投资标的,然后按照等权重、风险平价法、最小方差法进行组合,用2017年10月——2018年9月的样本外数据进行拟合比较,然后将本文中两种FOF投资策略的结果与中证500、首批发行的6支公募FOF基金进行对比,利用年化收益率、波动率、最大回撤等指标进行基金业绩评价,证明本文策略的有效性。希望通过实证分析的结果给予FOF基金经理、研究员和广大投资者进行FOF投资一定参考。