随着投资意识的提高和基金行业的发展,基金为大众所熟知,但人们面对如此繁多的基金很难做出选择,况且大部分人对如何投资基金并没有规划,不能有效分散风险。而FOF因其专业性强、双重分散风险的特点,正能满足投资者稳定收益以及多样化资产配置的需求。FOF分散风险、稳定收益主要是通过大类资产配置、精选基金来实现,大类资产配置是FOF的投资框架,是FOF的重中之重,而如何有效预测风险是资产配置的关键问题。传统预测风险的方法一般采用适应性预期,即基于过去一段时间内的资产价格序列,以截面风险的评估结果来预计未来的风险。这种方法存在明显缺陷,导致评估结果与真实情况发生偏差。而随着计算机能力的不断提升,神经网络近年来快速发展,其中的循环神经网络在处理非平稳序列、非线性回归问题上有着天然优势,因此本文试图借助循环神经网络来提高FOF的大类资产配置水平。本文选取了沪深300ETF、中证500ETF、创业板ETF、恒生ETF、标普500ETF、纳指ETF、国债ETF、黄金ETF这8个资产作为投资标的,以及制造业PMI、非制造业PMI、CPI环比、M2增速、人民币指数5个宏观指标用于其中一种预测方法。数据的时间区间为2014年1月至2021年7月。前79个月用于训练,后12个月用于检验效果。预测方式有三种,分别为自身滚动预测协方差矩阵、通过宏观指标预测协方差矩阵、自身滚动预测日净值再计算协方差矩阵,每种方式分别使用LSTM与GRU模型进行训练,达到预定的loss精度后,加载训练权重进行预测。得到预测的协方差矩阵后,再分别通过标准风险平价模型与主成分风险平价模型获得权重配比。由于模型的初始化方式不同,以及引入了dropout机制,具有一定的随机性,导致每次预测的结果不一定相同,所以本文采取多次预测取权重平均值的方式来确定最终资产配比。最后将资产配比代入真实环境计算投资组合的风险收益指标。此外,本文对5个传统经典资产配置模型也做了实证研究,它们是风险平价模型、引入主成分分析的风险平价模型、等权重模型、最小方差模型和最大夏普率模型,对多种数据期间的引用做了对比分析,并以平均表现作为基于循环神经网络风险平价模型的对比。实证结果表明:1.绝大部分风险平价模型、引入主成分分析的风险平价模型以及基于循环神经网络的风险平价模型表现都优于单独配置某一大类资产;2.引入主成分分析的风险平价模型表现优于等权重模型、最小方差模型以及最大夏普率模型,而基于循环神经网络的风险平价模型表现大部分优于引入主成分分析的风险平价模型;3.对基于循环神经网络的风险平价模型,宏观指标预测协方差矩阵方法表现优于自身滚动预测协方差矩阵方法,说明宏观指标对投资确实具有指导意义,在资产配置上具有可行性;预测日净值方法比预测协方差矩阵方法有了不少提升,说明使用更多的样本训练才能发挥神经网络分析数据的能力;4.基于循环神经网络的风险平价模型没有把绝大部分权重分配给单一大类资产,风险分散度高于传统风险平价模型。