在量化投资的理念还没被重视时,传统的投资者一般采用定性分析进行资产配置。随着计算机技术的发展和金融投资理论的创新,量化投资的相关研究在近几年成为国内外学术界与金融圈所关注的热点。本研究随着这一波热潮的兴起,重点关注机器学习、资产配置的相关理论及模型,并在此基础上构建了基于机器学习的资产配置模型,同时采用实证研究的分析方法验证模型的有效性。首先,利用支持向量机、随机梯度下降、随机森林、Ada Boost和BP神经网络等五种机器学习算法对于海量历史数据的学习能力,分别对不同类型的备选资产进行收益率的预测,并用其预测出的收益率作为Markowitz均值-方差模型的参数来生成投资组合,同时结合基于配置风格转换的动态调整模块来实现及时调仓的功能。然后,通过回测方案与流程对模型进行检验。即从模型的预期报酬和优化程度两个维度,分别制定两种不同绩效比较基准——沪深300指数、等权重投资组合,以衡量模型在不同需求下的相对绩效表现。最后,依据各个模型回测后的结果得知,由Ada Boost和随机森林构建的资产配置模型最为可行,两个模型既能达到国内投资者的预期报酬,也比传统的资产配置的绩效表现更加卓越,并且可分别适用于不同类型的投资者。其中,基于Ada Boost的资产配置模型是适合以追求高增长、高收益为目标的投资者,虽然其在面对重大风险性事件时的表现并不稳定,但在触底反弹、获取收益的能力上最为优异,模型在总体回测区间中的年化收益达到14.97%;基于随机森林构建的资产配置模型是适合把风险管控能力视为优先考虑的投资者,其收益方面的表现虽相比前者略逊一筹,不过它在最大回撤的表现上是所有模型中排名第一,显示其在兼顾收益增长的同时也具备管控大幅回撤的能力。