随着国民财富增长和居民理财观念的增强，金融资产投资需求越来越旺盛。但是随着金融市场发展的深化和外部经济环境变化冲击带来的不确定性增加，投资者面临越来越多不可预期的风险。相比于单一资产投资，大类资产组合投资可以更加有效地分散风险，提高收益。同时资产种类的增加与金融工具的丰富也为资产组合投资发展提供了有力保障。
　　本文通过对大类资产配置模型的梳理发现，均值方差法、等权重法及最小方差法等传统资产配置方法的风险抵抗能力弱、配置参数不够稳定，难以应对当今金融市场深化的风险。而近年来兴起的以最大化分散风险为原理的风险平价策略得到越来越多投资机构的青睐。本文基于风险平价组合展开研究。
　　通过实证发现，普通风险平价组合在最大回撤控制和组合波动率上展现出优势，但是在面临尾部风险发生、资产收益率下行等情形时，风险平价组合存在不足。所以本文引入机器学习模型，对资产价格涨跌进行预测，来改善风险平价模型。
　　本文选取股票、债券、商品三类资产的7个代表性指数，进行风险平价模型构造。然后分别运用支持向量机和逻辑回归这两种经典的、被证明对于分类问题比较有效的机器学习模型进行资产价格涨跌预测实证，并根据预测结果对风险平价模型的资产配置权重进行修正。最后通过回测计算出本模型的风险与收益指标，并与等权重组合、最小方差组合以及原始风险平价组合进行对比分析。本文研究发现，修正后的风险平价组合取得比等权重组合以及最小方差组合更高的累计收益和更低的风险，并且可以显著提高原始风险平价组合的收益，降低风险(年化收益由2.85%提高到4.16%，年化波动率从7.4%下降到6.9%，夏普比率由0.1提高到0.3，最大回撤由0.047降到0.032)。