FOF基金(Found of Found)名为基金中的基金。在成立之初,作为一个金融创新亮点,其发展前景被众多投资者所看好。而构建FOF基金的两大核心环节便是基金优选和资产的配置,优质的基金加上优秀的资产配置方案可以使资产组合获得不俗的收益表现。在FOF组合的实证研究中,大类资产配置是众多学者研究的重点,虽然资产配置方案是构建FOF组合的核心部分,但缺少了优质基金的筛选方案,仍不能形成一个有较好业绩表现的FOF组合。且大类资产配置方案在研究中也表现一些问题,首先,忽视了标的资产的选择对于资产配置的重要性,同类资产中人们耳熟能详的指数不止一个,选用不同的指数去构建风险平价组合,组合业绩可能相差甚多;其次,考虑资产种类多元化后的风险平价组合,虽然可以实现较好的风险收益比,但组合收益不高。最后,目前FOF基金组合中优质基金的筛选需要基金经理去尽调,消耗很多的人力和物力,筛选效率较低,所以需要一个符合大众投资逻辑、模型框架易懂的量化投资框架去初步筛选基金,提高筛选效率。本文基于当前构建FOF基金的方案中所存在的一些问题,提出切实可行的方案:通过GBDT算法训练指标数据,优化调参,得出在各个模型表现最优时,各项指标对于资产收益率的贡献程度,并计算各基金的综合数值,以此作为优质基金的筛选指标。筛选出每个持仓期内的最优基金后,利用风险平价法、等权重法、最分散化法、最小方差法分别进行资产权重的配置,并通过绩效指标对其收益和风险进行全面对比分析,从而选出最优的资产配置方案;基于不同的投资需求,在已构建方案上通过债券加杠杆和增加风险预算的方法来增强组合收益。结果表明,将GBDT算法和风险平价策略结合所构建资产组合可以很好的体现风险平价法本身的优势,综合表现要优于其它三种投资策略;业绩表现上,新方案所构建的FOF组合收益处于市场中上水平,投资效果较为稳定,可以很好的解决上述问题;同时,本文采取的收益增强方案也可以有效增强组合收益。其中,债券加杠杆是性价比较高的收益增强方案,在提高收益率的同时,波动率也只小幅增加;增加风险预算可以较大幅度的提高收益,但也较大的增加了组合的风险,比较适合风险偏好型投资者。实证表明,文中方案包括后续的收益增强方案可以有效的应用在FOF基金的构建上,满足不同的投资需求。同时,利用机器学习去筛选基金属于该领域内较为新颖的做法,为日后构建FOF组合提供了一个新思路。