在国内资本市场逐渐开放的趋势下,居民投资增值的需求不断增加,可选投资标的和基金工具不断丰富,但真正能为投资者带来良好收益的投资品种并不多,为了更好地解决这种供需矛盾,投资者机构化终将成为主流。在国内,公募基金作为主要的机构投资者,纵观其发展历程,近几年成立的公募基金数量大幅增长,2020年存量基金已超过10000余只,个人投资者缺乏时间、精力及足够的能力筛选出符合自身投资目标的基金标的,由此FOF基金逐渐受到关注与青睐。FOF全称为基金中的基金,主要以基金作为投资标的,基金经理通过科学研究方法包括量化研究、实际调研等方法筛选出合适的“子基金”,并依据各子基金的特点进行合理配置和专业的投资组合管理,以满足投资者的不同投资需求。起初,市场上的FOF产品投资标的大多为股权私募基金,经过不断发展慢慢扩展到对冲基金、共同基金等领域,但产品的核心思路仍旧是希望通过投资基金而间接持有上市公司股票与债券等基础类型资产,期望分散投资风险以获取超额收益。FOF基金在我国起步较晚,2017年9月证监会才发布了《公开募集证券投资基金运作指引第2号——基金中基金指引》,自此我国公募FOF基金开始走入正轨,如此同时同年10月首批6只公募FOF产品获批正式发行。随着国内公募FOF的逐步获批上市,与之相关的研究数量也呈现上升之势。当下,FOF基金的收益来源主要依靠FOF基金管理人的子基金选择能力与资产配置能力。但目前国内的研究大多以资产配置方法为主,尤其多以风险平价模型等方法进行资产配置,关于子基金的选择问题目前仍有待研究,但子基金的选择与权重配置直接决定了该FOF基金未来的业绩表现。鉴于FOF基金能够给基金评价与基金选择提供完善的应用场景,本文试图研究现有集成学习领域中具有代表性的随机森林模型、梯度提升决策树（GBDT）模型与极端梯度提升树（XGBoost）模型,探究集成学习模型是否有助于改进传统线性回归模型对于子基金未来业绩表现的预测。为了检验之前的假设,首先我们利用MSE（均方误差）指标,计算集成学习模型与传统线性模型对于收益率的预测效果,研究是否在统计意义上集成学习的预测效果更佳。其次,我们在利用模型筛选出每一期的子基金名单后,再利用均值-方差模型、等权重模型及风险平价模型这三种资产配置模型确定子基金的投资权重以构建投资组合,以确定集成学习算法在经济效益上能够带来多大的改善。从结果看,当我们的预测模型对于收益率、方差和协方差估计的不够准确时,等权重配置或者风险平价配置的效果可能会好一些;但是我们的模型对于样本外预测效果好时,均值方差这种资产配置方案显然是最优的。在实证检验部分,本文通过阅读文献,从基金自身及基金经理两个方面选择了以往实证研究中发现的显著影响基金未来业绩的七个评价指标（最大回撤、波动率、本期收益率、夏普比率、基金经理性别、基金经理管理年限、基金经理学历）作为自变量X,基金下期的累计收益率作为模型的因变量Y,采用滚动学习法（即利用滚动时间窗口做训练去预测下一期的收益率）结合2017年1月1日至2019年12月31日的4211只基金数据对随机森林、GBDT、XGBoost三种集成学习模型进行训练,采用MSE指标评价三种集成学习模型的预测精度,针对模型预测出的下期涨幅程度按照排名取前十作为每期的投资标的,之后在按照等权重法、均值-方差法、风险平价法确定每期各子基金的所占持仓比例而构造FOF基金,得到3×3即九种FOF组合。分析实证研究结果可知:第一,采用“XGBoost＿均值-方差”与“GBDT＿均值-方差”的FOF组合在盈利方面的表现最为出色,单独从资产配置方法上说,均值-方差法有效性高于风险平价法与等权重法,从集成学习效果上看,XGBoost＞随机森林＞GBDT;第二,从风险控制角度看,采用“随机森林＿风险平价”模型的FOF组合的最大回撤仅有13.52%,波动率仅为10.88%,在九种FOF及业绩基准种表现最优;第三,本文构建的FOF组合能够灵活应对市场变化,从实证研究的结果上看,在2018年的熊市时,模型会倾向于较多地配置债基与货基,而在行情较好的2019年,则加大了股票型基金与混合型的持有比例,符合FOF基金长期稳定增值的宗旨。